Wayve推出GAIA-1 9B，通过生成合成视频训练自动驾驶

　　英国初创公司Wayve在2023年6月发布了GAIA-1(Generative Artificial Intelligence for Autonomy)，这是一款为自动驾驶车辆培训数据而设计的生成式模型。GAIA-1的最新版本，GAIA-19B，已经取得了令人瞩目的进展。

　　GAIA-1的独特之处在于它的能力，它能够使用文本、图像、视频和行动数据来生成各种交通情景的合成视频。这一能力填补了自动驾驶车辆训练中的数据缺口。

　　试想一下，在雾中，有一个行人从卡车后面跳出来，同时一名摩托车手即将超越你，一名自行车手从前方靠近。这是一个真实的情景，但要捕捉到这个精确的场景，你需要开多少英里的车并进行拍摄呢?GAIA-1回答了这个问题，它可以生成各种交通情景的合成视频，用于自动驾驶车辆的培训。

　　与传统的生成式视频模型不同，Wayve表示，GAIA-1是一种生成式“世界模型”，它学会了理解和解读驾驶的最重要概念。它能够识别和分离不同的车辆及其特征、道路、建筑物或交通信号灯等概念。GAIA-1还学会了代表环境及其未来动态，为驾驶提供了结构化的环境理解，可用于做出明智的驾驶决策。

　　自GAIA-1首次发布以来，Wayve团队对其进行了优化，以高效生成高分辨率视频，并通过大规模培训提高了世界模型的质量。该模型现在拥有90亿个参数(相对于六月版本的10亿个参数)，还能够精确控制视频中的车辆行为和场景特征。这使其成为培训和验证自动驾驶系统的强大工具。

　　GAIA-1的模型基于在2019年至2023年间在英国伦敦收集的4700小时专有驾驶数据。模型的架构包括每个输入模态(视频、文本和行动)的专用编码器、世界模型、自回归变换器和视频解码器，以及将预测的图像元素转换回像素空间的视频扩散模型。

　　值得注意的是，GAIA-1的世界建模任务与大型语言模型(LLMs)常用的方法非常相似，其中任务被简化为预测下一个标记。在GAIA-1中，这一方法应用于视频建模，而不是语言。这表明随着模型大小和培训数据集的增加，GAIA-1在视频生成方面的性能和效率将继续提高，类似于大型语言模型在其各自领域内观察到的缩放模式。开发人员表示，随着更多的数据和处理能力，仍然存在“显著的改进空间”。

　　此外，GAIA-1还可以预测过去的上下文视频图像的不同未来情景，包括行人、自行车手、摩托车手和对向交通的行为，从而使模型能够考虑与其他道路使用者的互动并对情况做出反应。GAIA-1还可以通过纯文本输入进行控制，例如，通过文本命令“天气是晴朗的”、“多雨的”、“有雾的”或“多雪的”来生成不同的驾驶情景。此外，它还可以使用文本命令，如“现在是白天，我们处于直射阳光下”、“天空是灰色的”、“现在是黄昏”和“现在是夜晚”，来创建不同的照明情景。

　　然而，Wayve也指出了GAIA-1的一些局限性。虽然自回归生成过程非常有效，但需要大量计算，因此生成长时间的视频会非常计算密集。此外，当前模型主要集中于预测单一摄像机输出，而自动驾驶需要来自所有周围视点的全面视图，这是关键问题之一。

　　未来的工作将扩展该模型的能力，以捕捉更广泛的视角，并优化其生成效率，使该技术更具适用性和效率。此外，Wayve还在开发Lingo-1，这是一种自动驾驶系统，将机器视觉与基于文本的逻辑相结合，以解释道路上的决策和情况。这种基于文本的逻辑可以增加车辆的安全感，使人工智能的决策不再像一个“黑盒子”。