Meta Rilascia Modello AI per Avanzare il Comportamento dell’Agente Virtuale nel Metaverso

Giovedì, Meta FAIR ha rilasciato diversi nuovi strumenti di ricerca e scoperte volte a promuovere l’apprendimento automatico e l’intelligenza artificiale. Queste release si concentrano su aree come sviluppo di agenti, robustezza, sicurezza e architetture di apprendimento automatico.

Tra i punti salienti ci sono Meta Motivo, un modello fondamentale per il controllo di agenti virtuali incarnati, e Meta Video Seal, un modello di watermarking video progettato per migliorare la tracciabilità dei contenuti.

Meta Video Seal si basa su precedenti ricerche nel watermarking audio e consente l’incorporamento di watermark impercettibili nei contenuti video. Il sistema è resistente a modifiche comuni come sfocatura, ritaglio e compressione, offrendo applicazioni pratiche per la salvaguardia dei media digitali.

Ad accompagnare tutto ciò c’è l’Omni Seal Bench, una piattaforma di benchmarking per valutare i sistemi di watermarking attraverso diversi formati. Questa piattaforma mira a favorire la collaborazione all’interno della comunità di ricerca.

Meta Motivo introduce un framework per l’apprendimento per rinforzo non supervisionato. Utilizza un set di dati di movimento per creare uno spazio latente condiviso per stati, movimenti e ricompense.

Il modello dimostra capacità come il tracciamento del movimento a zero colpi e il raggiungimento degli obiettivi mantenendo robustezza contro variazioni ambientali come la gravità e il vento. Queste caratteristiche hanno potenziali applicazioni in ambienti virtuali e nell’animazione.

Flow Matching, un’altra release, offre un’alternativa ai metodi di diffusione tradizionali per i modelli generativi. Supporta vari tipi di dati, tra cui immagini, video e strutture 3D, migliorando allo stesso tempo l’efficienza computazionale e le prestazioni.

Nell’area del ragionamento sociale, Meta Explore Theory-of-Mind presenta un metodo di creazione di dataset guidato da programmi per addestrare i modelli di intelligenza artificiale a ragionare su credenze e pensieri.

I test preliminari indicano miglioramenti nelle prestazioni del modello su benchmark stabiliti, con implicazioni per il potenziamento del ragionamento nei grandi modelli linguistici.

Meta ha introdotto anche i Large Concept Models (LCM), che mirano a separare i compiti di ragionamento dalla rappresentazione linguistica, prediligendo la previsione di idee concettuali invece che di singoli token.

Questo approccio migliora, a quanto pare, compiti come la sintesi e l’elaborazione multilingue. Inoltre, il Dynamic Byte Latent Transformer elimina la necessità della tokenizzazione, offrendo un’elaborazione più efficiente di sequenze lunghe e di testo raro.

Altre uscite includono i Meta Memory Layers, che aiutano a scalare l’integrazione della conoscenza fattuale nei modelli, e strumenti per valutare la generazione responsabile di immagini.

L’integrazione di agenti AI con corpi simili a quelli fisici segna un cambiamento significativo nel metaverso, permettendo interazioni più realistiche ed esperienze virtuali dinamiche.

Tuttavia, questi progressi potrebbero sfumare i confini tra il mondo virtuale e quello reale, sollevando questioni riguardo alla privacy, alla responsabilità e all’impatto sociale di agenti virtuali sempre più simili alla vita reale.