AI分野において人材流動は常に激しい競争の場となっています。最近、Tim Brooks氏のDeepMindへの移籍が大きな注目を集めています。彼はSoraでわずか3ヶ月勤務した後、競合他社のGoogle DeepMindへの移籍を発表しました。この移籍は、Soraの技術が深刻な課題に直面していること、特に生成速度と性能において、業界の他の競合と比較してパフォーマンスが劣っていることによるものと考えられています。報道によると、Soraは技術的に多くの問題を抱えており、Luma、Stabilitなどとの競争が困難であるとされています。

近年、強化学習は多くの成功を収めてきましたが、サンプル効率の低さが実世界への応用を妨げています。ワールドモデルは環境生成モデルとして、この問題解決への期待を高めています。シミュレーション環境として機能し、より高いサンプル効率で強化学習エージェントを訓練できます。現在、ほとんどのワールドモデルは離散潜在変数系列を用いて環境ダイナミクスをシミュレートしています。しかし、このコンパクトな離散表現への圧縮は、強化学習に不可欠な視覚的詳細を見落とす可能性があります。一方、拡散モデルは画像生成分野で主流となっています。

カリフォルニア州パロアルトにて、Talesチームはエキサイティングな革新的な製品、大規模ワールドモデル(LWM)を発表しました。このモデルは、シンプルなテキストプロンプトから完全なデジタルゲームワールドを生成できます。スタンフォード大学の博士号取得者とゲーム開発者からなるチームは、この技術によってゲーム業界に革命を起こし、誰もが開発やデザインの経験なしで、簡単に完成度の高いゲームを作成できるようにすることを目指しています。つまり、あなたはゲーム業界の巨人たちを打ち負かす力を持つことになるのです！市場をリードするトップゲームスタジオと競り合うことも可能になります。

北京智源人工知能研究院は、ネイティブマルチモーダルワールドモデルEmu3を発表しました。このモデルは、ネクストトークンプレディクション技術に基づいており、拡散モデルや組み合わせ手法に依存することなく、テキスト、画像、ビデオの3種類のモダリティデータの理解と生成を実行できます。Emu3は、画像生成、ビデオ生成、ビジョン言語理解などのタスクにおいて、SDXL、LLaVA、OpenSoraなどの既存の著名なオープンソースモデルを上回る性能を示しました。

Googleは、110億パラメーターの基盤ワールドモデルGenieを発表しました。仮想環境を生成し、インタラクションが可能です。Genieは、アクションラベルなしでトレーニングされ、ビデオ内のさまざまなアクションの特徴とパターンを自動的に認識します。細かい粒度の制御を学習し、さまざまな潜在的なアクションをシミュレートできます。Genieによって生成されたビデオはカートゥーン調で、ロボットのアクションや変形する物体をシミュレートできます。Soraと比較して、よりGIFに近い傾向があります。