Se l’IA è abituata a navigare nei mondi virtuali dei videogiochi, i suoi prossimi campi da gioco saranno le nostre strade e le nostre fabbriche. L’industria sta riconoscendo un limite fondamentale per i grandi modelli linguistici (LLMs): questi colossi sono addestrati su quantità spaventose di testo, ma mancano di esperienza fisica. Capire le leggi della fisica e muovere un braccio robotico con la giusta grazia richiede altro che parole; serve esperienza sensoriale e fisica, il famoso ‘causa ed effetto’. Per superare questo ostacolo, la ricerca si è concentrata sui ‘world models’, sistemi di intelligenza artificiale capaci di simulare e comprendere il mondo reale. Ma qui scatta il nodo cruciale: per addestrare questi world models, servono enormi set di dati che combinino input visivi e azioni correlate. E qui, l’azienda britannica Worldmodeldata ha trovato la mina d’oro. Invece di aspettare dati costosi e limitati ottenuti da laboratori che legano sensori a robot e umani, Worldmodeldata punta sui videogiochi. Questi giochi, come suggerisce l’idea, sono mini-simulazioni del mondo reale, e i loro dati sono abbondanti, vari e, soprattutto, includono quei difficili ‘corner cases’ — gli scenari improbabili ma vitali che determinano se un sistema autonomo (un’auto, un drone, ecc.) funzionerà o fallirà. Worldmodeldata si propone come un curatore e broker di questi dati, incartando milioni di ore di input di controller e azioni da vari studi di gioco. L’ipotesi è che, proprio come gli LLMs, la performance dei world models aumenti in proporzione alla dimensione del dataset. Questo approccio promette non solo di superare la carenza di dati, ma potrebbe anche portare a quel momento ‘GPT’ per i modelli del mondo, rendendoli davvero utili per il controllo industriale e l’automazione complessa.
🇬🇧 Summary in English
While large language models (LLMs) have made headlines for mastering the art of text, the tech industry is facing a major hurdle: these AI powerhouses are brilliant with words, but woefully ignorant of physics. To actually guide an autonomous vehicle or make a robotic arm grip an object with precision, AI needs more than just linguistic knowledge; it needs experience—the ‘cause and consequence’ of the physical world. This has spurred researchers to focus on ‘world models,’ a class of AI designed to understand and predict real-world physics. Training these sophisticated world models requires massive, coupled datasets combining visual information with corresponding actions. Obtaining this data in the real world is prohibitively difficult and costly. This is where the British startup Worldmodeldata enters the picture with a bold theory: the answer lies in video games. They argue that modern video games are perfect, large-scale, and safe simulators of reality. Unlike limited lab demonstrations, games provide abundant, diverse data, crucially including those vital ‘corner cases’—the improbable scenarios that determine a system’s reliability. Worldmodeldata functions as a curator, aggregating millions of hours of controller inputs and actions from various gaming studios. The underlying assumption, which is gaining traction, is that world model performance scales directly with the size of its training data, much like LLMs. By tapping into the vast, varied experiences found in gaming, the startup aims not only to solve the chronic data bottleneck but also to achieve what is termed the ‘GPT moment’ for world models, making them deeply practical tools for advanced robotics and automation.
Leggi l’articolo originale su Wired EN →
Fonte: Wired EN | Argomento: Tech News
#tecnologia #innovazione #technews