Дом
PhiZero является пионером в области физического языка, позволяющего моделям искусственного интеллекта, отражающим мир, мыслить как люди
В современном контексте использования крупных моделей генерация видео всё чаще рассматривается как основополагающий симулятор воплощённого интеллекта. Однако большинство широко распространённых подходов опирается на прямое прогнозирование в пиксельном пространстве, что зачастую приводит к нестабильности или несогласованности физических законов. Для решения этой важнейшей отраслевой задачи наша исследовательская группа официально представила PhiZero — новую модель физического мира. Выходя за рамки традиционного «слепого» прогнозирования, PhiZero инновационно внедряет «физический язык», позволяющий ИИ проводить явное физическое рассуждение перед генерацией видео.
В основе PhiZero лежит дискретное представление, известное как «физический язык». Благодаря самообучению на обширных наборах данных видеозаписей, снятых на открытом воздухе, этот язык извлекает шаблоны переходов состояний, фиксируя правила динамической эволюции в различных визуальных контекстах. Используя это, модель применяет архитектуру «сначала рассуждения, затем рендеринг»: сначала она автономно выводит будущие траектории эволюции мира в пространстве физического языка, а затем передает их специализированному диффузионному декодеру для синтеза видео высокой четкости. Такое отделение базового моделирования динамики от синтеза на уровне пикселей значительно повышает физическую согласованность.

С технической точки зрения система состоит из двух ключевых модулей: токенизатора и модуля рассуждений. Токенизатор физического языка использует Q-Former на уровне переходов для фиксации изменений между соседними состояниями, генерируя компактные дискретные символы посредством ограниченного скалярного квантования. Затем диффузионный декодер реконструирует детализированные визуальные образы на основе начального кадра и этих дискретных символов. Между тем модуль рассуждений на физическом языке, инициализированный с помощью предварительно обученной модели «зрение-язык», точно предсказывает будущие последовательности физического языка, исходя из первого кадра и текстовых намерений действий.

Оценки по эталонным тестам подтверждают, что PhiZero демонстрирует передовые результаты в ряде тестов на физическое рассуждение и генерацию видео, включая Physics-IQ Verified, PhyGround и WorldModelBench. Будь то смещение объектов в результате столкновений, деформация под действием силы тяжести или сложные цепные реакции — модель демонстрирует высокую степень реалистичности физических явлений.
На фоне ускоренного развития воплощённого интеллекта и робототехники выпуск PhiZero прокладывает новый путь к созданию управляемого интерактивного моделирования мира. Модель призвана сыграть ключевую роль в сценариях долгосрочного моделирования и переноса движения.
Связанная статья
Акции США достигли исторической отметки, поскольку гиганты искусственного интеллекта и аэрокосмической отрасли готовятся к дебюту с оценкой в триллион долларов
Илон Маск, Сэм Алтман и Дарио Амодэй, три титана технологического сектора, продвигаются к первичным публичным предложениям акций своих respective компаний. Благодаря SpaceX, OpenAI и Anthropic — трем отраслевым гигантам, чья оценка приближается к три
Шведский стартап в области искусственного интеллекта Lovable Eyes достиг оценки в 13,2 миллиарда долларов после крупного раунда финансирования
По мере того как инструменты для программирования на основе искусственного интеллекта набирают популярность, шведский стартап Lovable привлек крупный раунд финансирования. Компания нацелена на привлечение $3 млрд, что потенциально может увеличить её
Google тестирует агента Remy AI для Gemini по мере смещения фокуса на управление пользователями
Согласно Business Insider, Google тестирует Remy, нового ИИ-персонального агента для Gemini. Этот инструмент предназначен для выполнения задач от имени пользователей, упрощая как профессиональные рабочие процессы, так и повседневные рутины.В настоящ
Рекомендации по связанным специальным темам
Комментарии (0)
В современном контексте использования крупных моделей генерация видео всё чаще рассматривается как основополагающий симулятор воплощённого интеллекта. Однако большинство широко распространённых подходов опирается на прямое прогнозирование в пиксельном пространстве, что зачастую приводит к нестабильности или несогласованности физических законов. Для решения этой важнейшей отраслевой задачи наша исследовательская группа официально представила
В основе

С технической точки зрения система состоит из двух ключевых модулей: токенизатора и модуля рассуждений. Токенизатор физического языка использует Q-Former на уровне переходов для фиксации изменений между соседними состояниями, генерируя компактные дискретные символы посредством ограниченного скалярного квантования. Затем диффузионный декодер реконструирует детализированные визуальные образы на основе начального кадра и этих дискретных символов. Между тем модуль рассуждений на физическом языке, инициализированный с помощью предварительно обученной модели «зрение-язык», точно предсказывает будущие последовательности физического языка, исходя из первого кадра и текстовых намерений действий.

Оценки по эталонным тестам подтверждают, что
На фоне ускоренного развития воплощённого интеллекта и робототехники выпуск
Акции США достигли исторической отметки, поскольку гиганты искусственного интеллекта и аэрокосмической отрасли готовятся к дебюту с оценкой в триллион долларов
Илон Маск, Сэм Алтман и Дарио Амодэй, три титана технологического сектора, продвигаются к первичным публичным предложениям акций своих respective компаний. Благодаря SpaceX, OpenAI и Anthropic — трем отраслевым гигантам, чья оценка приближается к три
Шведский стартап в области искусственного интеллекта Lovable Eyes достиг оценки в 13,2 миллиарда долларов после крупного раунда финансирования
По мере того как инструменты для программирования на основе искусственного интеллекта набирают популярность, шведский стартап Lovable привлек крупный раунд финансирования. Компания нацелена на привлечение $3 млрд, что потенциально может увеличить её











