Sora一經(jīng)面世，瞬間成為頂流，話題熱度只增不減。

強大的逼真視頻生成能力，讓許多人紛紛驚呼「現(xiàn)實不存在了」。

甚至，OpenAI技術(shù)報告中透露，Sora能夠深刻地理解運動中的物理世界，堪稱為真正的「世界模型」。

而一直將「世界模型」作為研究重心的圖靈巨頭LeCun，也卷入了這場論戰(zhàn)。

起因是，網(wǎng)友挖出前幾天LeCun參加WGS峰會上發(fā)表的觀點：「在AI視頻方面，我們不知道該怎么做」。

在他看來，「僅根據(jù)文字提示生成逼真的視頻，并不代表模型理解了物理世界。生成視頻的過程與基于世界模型的因果預(yù)測完全不同」。

接下來，LeCun更詳細地解釋道：

雖然可以想象出的視頻種類繁多，但視頻生成系統(tǒng)只需創(chuàng)造出「一個」合理的樣本就算成功。

而對于一個真實視頻，其合理的后續(xù)發(fā)展路徑就相對較少，生成這些可能性中的具代表性部分，尤其是在特定動作條件下，難度大得多。

此外，生成這些視頻后續(xù)內(nèi)容不僅成本高昂，實際上也毫無意義。

更理想的做法是生成那些后續(xù)內(nèi)容的「抽象表示」，去除與我們可能采取的行動無關(guān)的場景細節(jié)。

這正是JEPA（聯(lián)合嵌入預(yù)測架構(gòu)）的核心思想，它并非生成式的，而是在表示空間中進行預(yù)測。

然后，他用自家的研究VICReg、I-JEPA、V-JEPA以及他人的工作證明：

與重建像素的生成型架構(gòu)，如變分自編碼器（Variational AE）、掩碼自編碼器（Masked AE）、去噪自編碼器（Denoising AE）等相比，「聯(lián)合嵌入架構(gòu)」能夠產(chǎn)生更優(yōu)秀的視覺輸入表達。

當(dāng)使用學(xué)習(xí)到的表示作為下游任務(wù)中受監(jiān)督頭部的輸入（無需對主干進行微調(diào)），聯(lián)合嵌入架構(gòu)在效果上超過了生成式架構(gòu)。

也就是在Sora模型發(fā)布的當(dāng)天，Meta重磅推出一個全新的無監(jiān)督「視頻預(yù)測模型」——V-JEPA。

自2022年LeCun首提JEPA之后，I-JEPA和V-JEPA分別基于圖像、視頻擁有強大的預(yù)測能力。

號稱能夠以「人類的理解方式」看世界，通過抽象性的高效預(yù)測，生成被遮擋的部分。

論文地址：https://ai.meta.com/research/publications/revisiting-feature-prediction-for-learning-visual-representations-from-video/

V-JEPA看到下面視頻中的動作時，會說「將紙撕成兩半」。

再比如，翻看筆記本的視頻被遮擋了一部分，V-JEPA便能夠?qū)P記本上的內(nèi)容做出不同的預(yù)測。

值得一提的是，這是V-JEPA在觀看200萬個視頻后，才獲取的超能力。

實驗結(jié)果表明，僅通過視頻特征預(yù)測學(xué)習(xí)，就能夠得到廣泛適用于各類基于動作和外觀判斷的任務(wù)的「高效視覺表示」，而且不需要對模型參數(shù)進行任何調(diào)整。

基于V-JEPA訓(xùn)練的ViT-H/16，在Kinetics-400、SSv2、ImageNet1K 基準(zhǔn)上分別取得了81.9%、72.2%和77.9%的高分。

看完200萬個視頻后，V-JEPA理解世界了

人類對于周遭世界的認識，特別是在生命的早期，很大程度上是通過「觀察」獲得的。

就拿牛頓的「運動第三定律」來說，即便是嬰兒，或者貓，在多次把東西從桌上推下并觀察結(jié)果，也能自然而然地領(lǐng)悟到：凡是在高處的任何物體，終將掉落。

這種認識，并不需要經(jīng)過長時間的指導(dǎo)，或閱讀海量的書籍就能得出。

可以看出，你的內(nèi)在世界模型——一種基于心智對世界的理解所建立的情景理解——能夠預(yù)見這些結(jié)果，并且極其高效。

Yann LeCun表示，V-JEPA正是我們向著對世界有更深刻理解邁出的關(guān)鍵一步，目的是讓機器能夠更為廣泛的推理和規(guī)劃。

2022年，他曾首次提出聯(lián)合嵌入預(yù)測架構(gòu)（JEPA）。

我們的目標(biāo)是打造出能夠像人類那樣學(xué)習(xí)的先進機器智能（AMI），通過構(gòu)建對周遭世界的內(nèi)在模型來學(xué)習(xí)、適應(yīng)和高效規(guī)劃，以解決復(fù)雜的任務(wù)。

V-JEPA：非生成式模型

與生成式AI模型Sora完全不同，V-JEPA是一種「非生成式模型」。

它通過預(yù)測視頻中被隱藏或缺失部分，在一種抽象空間的表示來進行學(xué)習(xí)。

這與圖像聯(lián)合嵌入預(yù)測架構(gòu)（I-JEPA）類似，后者通過比較圖像的抽象表示進行學(xué)習(xí)，而不是直接比較「像素」。

不同于那些嘗試重建每一個缺失像素的生成式方法，V-JEPA能夠舍棄那些難以預(yù)測的信息，這種做法使得在訓(xùn)練和樣本效率上實現(xiàn)了1.5-6倍的提升。

V-JEPA采用了自監(jiān)督的學(xué)習(xí)方式，完全依靠未標(biāo)記的數(shù)據(jù)進行預(yù)訓(xùn)練。

僅在預(yù)訓(xùn)練之后，它便可以通過標(biāo)記數(shù)據(jù)微調(diào)模型，以適應(yīng)特定的任務(wù)。

因此，這種架構(gòu)比以往的模型更為高效，無論是在需要的標(biāo)記樣本數(shù)量上，還是在對未標(biāo)記數(shù)據(jù)的學(xué)習(xí)投入上。

在使用V-JEPA時，研究人員將視頻的大部分內(nèi)容遮擋，僅展示極小部分的「上下文」。

然后請求預(yù)測器補全所缺失的內(nèi)容——不是通過具體的像素，而是以一種更為抽象的描述形式在這個表示空間中填充內(nèi)容。

V-JEPA通過預(yù)測學(xué)習(xí)潛空間中被隱藏的時空區(qū)域來訓(xùn)練視覺編碼器

掩碼方法

V-JEPA并不是為了理解特定類型的動作而設(shè)計的。

相反，它通過在各種視頻上應(yīng)用自監(jiān)督學(xué)習(xí)，掌握了許多關(guān)于世界運作方式的知識。

Meta研究人員還精心設(shè)計了掩碼（masking）策略：

如果不遮擋視頻的大部分區(qū)域，而只是隨機選取一些小片段，這會讓學(xué)習(xí)任務(wù)變得過于簡單，導(dǎo)致模型無法學(xué)習(xí)到關(guān)于世界的復(fù)雜信息。

同樣，需要注意的是，大多數(shù)視頻中，事物隨著時間的推移而逐漸演變。

如果只在短時間內(nèi)掩碼視頻的一小部分，讓模型能看到前后發(fā)生的事，同樣會降低學(xué)習(xí)難度，讓模型難以學(xué)到有趣的內(nèi)容。

因此，研究人員采取了同時在空間和時間上掩碼視頻部分區(qū)域的方法，迫使模型學(xué)習(xí)并理解場景。

高效預(yù)測，無需微調(diào)

在抽象的表示空間中進行預(yù)測非常關(guān)鍵，因為它讓模型專注于視頻內(nèi)容的高層概念，而不必擔(dān)心通常對完成任務(wù)無關(guān)緊要的細節(jié)。

畢竟，如果一段視頻展示了一棵樹，你可能不會關(guān)心每一片樹葉的微小運動。

而真正讓Meta研究人員興奮的是，V-JEPA是首個在「凍結(jié)評估」上表現(xiàn)出色的視頻模型。

凍結(jié)，是指在編碼器和預(yù)測器上完成所有自監(jiān)督預(yù)訓(xùn)練后，就不再對其進行修改。

當(dāng)我們需要模型學(xué)習(xí)新技能時，只需在其上添加一個小型的、專門的層或網(wǎng)絡(luò)，這種方式既高效又快速。

以往的研究還需要進行全面的微調(diào)，即在預(yù)訓(xùn)練模型后，為了讓模型在細粒度動作識別等任務(wù)上表現(xiàn)出色，需要微調(diào)模型的所有參數(shù)或權(quán)重。

直白講，微調(diào)后的模型只能專注于某個任務(wù)，而無法適應(yīng)其他任務(wù)。

如果想讓模型學(xué)習(xí)不同的任務(wù)，就必須更換數(shù)據(jù)，并對整個模型進行專門化調(diào)整。

V-JEPA的研究表明，就可以一次性預(yù)訓(xùn)練模型，不依賴任何標(biāo)記數(shù)據(jù)，然后將模型用于多個不同的任務(wù)，如動作分類、細粒度物體交互識別和活動定位，開辟了全新的可能。

- 少樣本凍結(jié)評估

研究人員將V-JEPA與其他視頻處理模型進行了對比，特別關(guān)注在數(shù)據(jù)標(biāo)注較少的情況下的表現(xiàn)。

它們選取了Kinetics-400和Something-Something-v2兩個數(shù)據(jù)集，通過調(diào)整用于訓(xùn)練的標(biāo)注樣本比例（分別為5%，10%和50%），觀察模型在處理視頻時的效能。

為了確保結(jié)果的可靠性，在每種比例下進行了3次獨立的測試，并計算出了平均值和標(biāo)準(zhǔn)偏差。

結(jié)果顯示，V-JEPA在標(biāo)注使用效率上優(yōu)于其他模型，尤其是當(dāng)每個類別可用的標(biāo)注樣本減少時，V-JEPA與其他模型之間的性能差距更加明顯。

未來研究新方向：視覺+音頻同預(yù)測

雖然V-JEPA的「V」代表視頻，但迄今為止，它主要集中于分析視頻的「視覺元素」。

顯然，Meta下一步是研究方向是，推出一種能同時處理視頻中的「視覺和音頻信息」的多模態(tài)方法。

作為一個驗證概念的模型，V-JEPA在識別視頻中細微的物體互動方面表現(xiàn)出色。

比如，能夠區(qū)分出某人是在放下筆、拿起筆，還是假裝放下筆但實際上沒有放下。

不過，這種高級別的動作識別對于短視頻片段（幾秒到10秒鐘）效果很好。

因此，下一步研究另一個重點是，如何讓模型在更長的時間跨度上進行規(guī)劃和預(yù)測。

「世界模型」又進一步

到目前為止，Meta研究人員使用V-JEPA主要關(guān)注于的是「感知」——通過分析視頻流來理解周圍世界的即時情況。

在這個聯(lián)合嵌入預(yù)測架構(gòu)中，預(yù)測器充當(dāng)了一個初步的「物理世界模型」，能夠概括性地告訴我們視頻中正在發(fā)生的事情。

Meta的下一步目標(biāo)是展示，如何利用這種預(yù)測器或世界模型來進行規(guī)劃和連續(xù)決策。

我們已經(jīng)知道，JEPA模型可以通過觀察視頻來進行訓(xùn)練，就像嬰兒觀察世界一樣，無需強有力的監(jiān)督就能學(xué)習(xí)很多。

通過這種方式，僅用少量標(biāo)注數(shù)據(jù)，模型就能快速學(xué)習(xí)新任務(wù)和識別不同的動作。

從長遠來看，在未來應(yīng)用中，V-JEPA強大情境理解力，對開發(fā)具身AI技術(shù)以及未來增強現(xiàn)實（AR）眼鏡有著重大意義。

現(xiàn)在想想，如果蘋果Vision Pro能夠得到「世界模型」的加持，更加無敵了。

網(wǎng)友討論

顯然，LeCun對生成式AI并不看好。

「聽聽一個一直在試圖訓(xùn)練用于演示和規(guī)劃的「世界模型」過來人的建議」。

Perplexity AI的首席執(zhí)行官表示：

Sora雖然令人驚嘆，但還沒有準(zhǔn)備好對物理進行準(zhǔn)確的建模。并且Sora的作者非常機智，在博客的技術(shù)報告部分提到了這一點，比如打碎的玻璃無法很好地建模。

很明顯短期內(nèi)，基于這樣復(fù)雜的世界仿真的推理，是無法在家用機器人上立即運行的。

事實上，許多人未能理解的一個非常重要的細微差別是：

在文本或視頻中生成看似有趣的內(nèi)容并不意味著（也不需要）它「理解」自己生成的內(nèi)容。一個能夠基于理解進行推理的智能體模型必須，絕對是在大模型或擴散模型之外。

但也有網(wǎng)友表示，「這并不是人類學(xué)習(xí)的方式」。

「我們對以往經(jīng)歷的只記得一些獨特的，丟掉了所有的細節(jié)。我們還可以隨時隨地為環(huán)境建模（創(chuàng)建表示法），因為我們感知到了它。智能最重要的部分是泛化」。

還有人稱，它仍然是插值潛在空間的嵌入，到目前為止你還不能以這種方式構(gòu)建「世界模型」。

Sora，以及V-JEPA真的能夠理解世界嗎？你怎么看？