Η λονδρέζικη εταιρεία τεχνητής νοημοσύνης Odyssey παρουσίασε μια ερευνητική προεπισκόπηση ενός μοντέλου που μετατρέπει βίντεο σε διαδραστικούς κόσμους.
Odyssey – Η καινοτομία της
Ξεκινώντας από τη δημιουργία «μοντέλων κόσμου» για την παραγωγή κινηματογραφικών ταινιών και βιντεοπαιχνιδιών, η ομάδα της Odyssey φαίνεται να έχει αγγίξει τις δυνατότητες μιας εντελώς νέας μορφής ψυχαγωγίας.
Το διαδραστικό βίντεο που δημιουργεί το μοντέλο τεχνητής νοημοσύνης της Odyssey ανταποκρίνεται σε εντολές σε πραγματικό χρόνο. Ο χρήστης μπορεί να αλληλεπιδρά μαζί του μέσω πληκτρολογίου, τηλεφώνου, χειριστηρίου ή ακόμα και με φωνητικές εντολές στο μέλλον. Η ομάδα της Odyssey το παρουσιάζει ως μια «πρώιμη εκδοχή του Holodeck».
Η τεχνητή νοημοσύνη που βρίσκεται από πίσω μπορεί να παράγει ρεαλιστικά καρέ βίντεο κάθε 40 χιλιοστά του δευτερολέπτου. Αυτό σημαίνει πως όταν πατάτε ένα κουμπί ή κάνετε μια χειρονομία, το βίντεο ανταποκρίνεται σχεδόν ακαριαία – δημιουργώντας την ψευδαίσθηση ότι επηρεάζετε πραγματικά αυτόν τον ψηφιακό κόσμο.
«Η εμπειρία σήμερα μοιάζει με την εξερεύνηση ενός ονείρου – ακατέργαστου, ασταθούς, αλλά αδιαμφισβήτητα καινούργιου», σύμφωνα με την Odyssey.
Όχι η συνηθισμένη τεχνολογία βίντεο
Τι διαφοροποιεί αυτήν την τεχνολογία διαδραστικού βίντεο που δημιουργείται από τεχνητή νοημοσύνη από ένα τυπικό βιντεοπαιχνίδι ή CGI; Όλα βασίζονται σε κάτι που η Odyssey αποκαλεί «μοντέλο κόσμου».
Σε αντίθεση με τα παραδοσιακά μοντέλα βίντεο που δημιουργούν ολόκληρα κλιπ μονομιάς, τα μοντέλα κόσμου λειτουργούν καρέ-καρέ προβλέποντας τι πρέπει να ακολουθήσει με βάση την τρέχουσα κατάσταση και τις ενέργειες του χρήστη. Είναι παρόμοιο με τον τρόπο που τα μεγάλα γλωσσικά μοντέλα προβλέπουν την επόμενη λέξη σε μια πρόταση, αλλά απείρως πιο περίπλοκο, αφού πρόκειται για καρέ υψηλής ανάλυσης και όχι λέξεις.
«Ένα μοντέλο κόσμου είναι, στον πυρήνα του, ένα δυναμικό μοντέλο εξαρτημένο από ενέργειες», όπως το θέτει η Odyssey.
Κάθε φορά που αλληλεπιδράτε, το μοντέλο λαμβάνει υπόψη την παρούσα κατάσταση, τη δράση σας και το ιστορικό όσων έχουν συμβεί και δημιουργεί το επόμενο καρέ βίντεο ανάλογα.
Το αποτέλεσμα είναι κάτι που φαίνεται πιο οργανικό και απρόβλεπτο από ένα παραδοσιακό παιχνίδι. Δεν υπάρχει προκαθορισμένη λογική του τύπου «αν ο παίκτης κάνει Χ, τότε γίνεται Ψ» – αντιθέτως, η τεχνητή νοημοσύνη κάνει την καλύτερη δυνατή εικασία για το τι πρέπει να συμβεί στη συνέχεια, βασιζόμενη σε όσα έχει μάθει παρακολουθώντας αμέτρητα βίντεο.
Η Odyssey αντιμετωπίζει ιστορικές προκλήσεις στη δημιουργία διαδραστικού βίντεο με τεχνητή νοημοσύνη
Η δημιουργία κάτι τέτοιου κάθε άλλο παρά εύκολη είναι. Ένα από τα μεγαλύτερα εμπόδια στο διαδραστικό βίντεο με τεχνητή νοημοσύνη είναι η διατήρηση της σταθερότητας με την πάροδο του χρόνου. Όταν δημιουργείς κάθε καρέ με βάση τα προηγούμενα, μικρά σφάλματα μπορούν να συσσωρευτούν γρήγορα – ένα φαινόμενο που οι ερευνητές τεχνητής νοημοσύνης αποκαλούν «drift».
Για να το αντιμετωπίσει αυτό, η Odyssey χρησιμοποίησε κάτι που ονομάζει «μοντέλο στενής κατανομής» – ουσιαστικά προεκπαίδευσε το μοντέλο τεχνητής νοημοσύνης σε γενικά πλάνα βίντεο και μετά το βελτιστοποίησε σε ένα μικρότερο σύνολο περιβαλλόντων. Αυτός ο συμβιβασμός σημαίνει λιγότερη ποικιλία, αλλά μεγαλύτερη σταθερότητα, ώστε το αποτέλεσμα να μην καταλήγει σε ένα παράξενο χάος.
Η εταιρεία δηλώνει ότι ήδη σημειώνει «ταχεία πρόοδο» με το μοντέλο επόμενης γενιάς, το οποίο φαίνεται να προσφέρει «πλουσιότερη ποικιλία σε pixel, δυναμική και ενέργειες».
Η εκτέλεση όλων αυτών των προηγμένων τεχνολογιών τεχνητής νοημοσύνης σε πραγματικό χρόνο δεν είναι φθηνή. Αυτήν τη στιγμή, η υποδομή που υποστηρίζει την εμπειρία κοστίζει περίπου £0.80-£1.60 (1-2 ευρώ) ανά ώρα χρήστη, βασιζόμενη σε ομάδες GPU τύπου H100 στις ΗΠΑ και την ΕΕ.
Μπορεί αυτό να ακούγεται ακριβό για βίντεο streaming, αλλά είναι εντυπωσιακά φθηνό σε σύγκριση με την παραγωγή παραδοσιακού περιεχομένου για παιχνίδια ή ταινίες. Και η Odyssey αναμένει ότι αυτά τα κόστη θα μειωθούν ακόμη περισσότερο καθώς τα μοντέλα γίνονται πιο αποδοτικά.
Διαδραστικό βίντεο – Το επόμενο μέσο αφήγησης;
Καθ’ όλη την ιστορία, οι νέες τεχνολογίες έχουν γεννήσει νέες μορφές αφήγησης – από τις τοιχογραφίες στα σπήλαια μέχρι τα βιβλία, τη φωτογραφία, το ραδιόφωνο, τον κινηματογράφο και τα βιντεοπαιχνίδια. Η Odyssey πιστεύει ότι το διαδραστικό βίντεο που δημιουργείται από τεχνητή νοημοσύνη είναι το επόμενο βήμα σε αυτή την εξέλιξη.
Αν έχουν δίκιο, μπορεί να βρισκόμαστε μπροστά στο πρωτότυπο μιας τεχνολογίας που θα μεταμορφώσει την ψυχαγωγία, την εκπαίδευση, τη διαφήμιση και πολλά ακόμη. Φανταστείτε εκπαιδευτικά βίντεο όπου μπορείτε να εξασκήσετε τις δεξιότητες που διδάσκονται ή ταξιδιωτικές εμπειρίες στις οποίες μπορείτε να εξερευνήσετε προορισμούς από τον καναπέ σας.
Η ερευνητική προεπισκόπηση που διατίθεται σήμερα είναι προφανώς μόνο ένα μικρό βήμα προς αυτό το όραμα και περισσότερο απόδειξη εφικτότητας παρά ολοκληρωμένο προϊόν. Ωστόσο, αποτελεί μια συναρπαστική ματιά στο τι μπορεί να γίνει εφικτό όταν οι κόσμοι που δημιουργούνται από τεχνητή νοημοσύνη μετατρέπονται σε διαδραστικά πεδία παιχνιδιού και όχι απλώς παθητικές εμπειρίες.
