Runway Ra Mắt GWM Worlds 2 Giúp Tạo Thế Giới Tương Tác Theo Thời Gian Thực
Runway đã công bố nghiên cứu về GWM Worlds 2, một Mô hình Thế giới Tổng quát (General World Model) có khả năng tạo ra các mô phỏng hình ảnh và âm thanh tương tác theo thời gian thực ở độ phân giải 720p (24 fps) cùng âm thanh 48 kHz. Hệ thống này giới thiệu WorldPrompt, kết hợp prompt khởi tạo ban đầu (genesis prompt) với đầu vào camera liên tục và các hành động văn bản gắn mốc thời gian để điều hướng việc tạo nội dung trực tiếp mà không bị giới hạn thời lượng. Sự chuyển đổi từ việc tạo các đoạn video tĩnh sang vận hành các mô hình thế giới có thể điều khiển theo thời gian thực đại diện cho một bước tiến lớn đối với ngành giải trí tương tác, trò chơi điện tử và sản xuất ảo. Hơn nữa, khả năng điều hướng tương tác trong môi trường tổng hợp có tính nhất quán lâu dài cung cấp các công cụ nền tảng quan trọng cho việc mô phỏng AI tự hành (embodied AI) và robot. Về mặt kỹ thuật, GWM Worlds 2 dựa trên kiến trúc khuếch tán tự hồi quy (autoregressive diffusion) sử dụng cơ chế chú ý sliding KV-cache cùng các bộ giải mã video và audio mang tính nguyên nhân (causal decoders). Việc tạo khung hình được điều kiện hóa dựa trên ngữ cảnh toàn cục (genesis prompt và khung hình đầu tiên), đầu vào hiện tại (hành động văn bản và điều khiển camera) và một cửa sổ trượt (sliding window) lưu bộ nhớ tạm các khung hình quá khứ.
## KIẾN THỨC NỀN
Các mô hình thế giới (world models) trong trí tuệ nhân tạo là các mô hình sinh được huấn luyện trên dữ liệu hình ảnh lớn để mô phỏng môi trường vật lý, dự đoán diễn biến của ngữ cảnh dựa trên hành động của người dùng hoặc agent. Các mô hình tạo video truyền thống thường chỉ tạo ra các clip ngắn có thời lượng cố định từ prompt tĩnh mà không cho phép tương tác liên tục hoặc duy trì trạng thái ngữ cảnh.