英國初創公司Wayve在2023年6月發布了GAIA-1(Generative Artificial Intelligence for Autonomy)，這是一款為自動駕駛車輛培訓數據而設計的生成式模型。GAIA-1的最新版本，GAIA-19B，已經取得了令人矚目的進展。

　　GAIA-1的獨特之處在于它的能力，它能夠使用文本、圖像、視頻和行動數據來生成各種交通情景的合成視頻。這一能力填補了自動駕駛車輛訓練中的數據缺口。

　　試想一下，在霧中，有一個行人從卡車后面跳出來，同時一名摩托車手即將超越你，一名自行車手從前方靠近。這是一個真實的情景，但要捕捉到這個精確的場景，你需要開多少英里的車并進行拍攝呢?GAIA-1回答了這個問題，它可以生成各種交通情景的合成視頻，用于自動駕駛車輛的培訓。

　　與傳統的生成式視頻模型不同，Wayve表示，GAIA-1是一種生成式“世界模型”，它學會了理解和解讀駕駛的最重要概念。它能夠識別和分離不同的車輛及其特征、道路、建筑物或交通信號燈等概念。GAIA-1還學會了代表環境及其未來動態，為駕駛提供了結構化的環境理解，可用于做出明智的駕駛決策。

　　自GAIA-1首次發布以來，Wayve團隊對其進行了優化，以高效生成高分辨率視頻，并通過大規模培訓提高了世界模型的質量。該模型現在擁有90億個參數(相對于六月版本的10億個參數)，還能夠精確控制視頻中的車輛行為和場景特征。這使其成為培訓和驗證自動駕駛系統的強大工具。

　　GAIA-1的模型基于在2019年至2023年間在英國倫敦收集的4700小時專有駕駛數據。模型的架構包括每個輸入模態(視頻、文本和行動)的專用編碼器、世界模型、自回歸變換器和視頻解碼器，以及將預測的圖像元素轉換回像素空間的視頻擴散模型。

　　值得注意的是，GAIA-1的世界建模任務與大型語言模型(LLMs)常用的方法非常相似，其中任務被簡化為預測下一個標記。在GAIA-1中，這一方法應用于視頻建模，而不是語言。這表明隨著模型大小和培訓數據集的增加，GAIA-1在視頻生成方面的性能和效率將繼續提高，類似于大型語言模型在其各自領域內觀察到的縮放模式。開發人員表示，隨著更多的數據和處理能力，仍然存在“顯著的改進空間”。

　　此外，GAIA-1還可以預測過去的上下文視頻圖像的不同未來情景，包括行人、自行車手、摩托車手和對向交通的行為，從而使模型能夠考慮與其他道路使用者的互動并對情況做出反應。GAIA-1還可以通過純文本輸入進行控制，例如，通過文本命令“天氣是晴朗的”、“多雨的”、“有霧的”或“多雪的”來生成不同的駕駛情景。此外，它還可以使用文本命令，如“現在是白天，我們處于直射陽光下”、“天空是灰色的”、“現在是黃昏”和“現在是夜晚”，來創建不同的照明情景。

　　然而，Wayve也指出了GAIA-1的一些局限性。雖然自回歸生成過程非常有效，但需要大量計算，因此生成長時間的視頻會非常計算密集。此外，當前模型主要集中于預測單一攝像機輸出，而自動駕駛需要來自所有周圍視點的全面視圖，這是關鍵問題之一。

　　未來的工作將擴展該模型的能力，以捕捉更廣泛的視角，并優化其生成效率，使該技術更具適用性和效率。此外，Wayve還在開發Lingo-1，這是一種自動駕駛系統，將機器視覺與基于文本的邏輯相結合，以解釋道路上的決策和情況。這種基于文本的邏輯可以增加車輛的安全感，使人工智能的決策不再像一個“黑盒子”。