DeepMind，放大招！Veo，跳出視頻框架

哈嘍，大家好，我是小方，今天，我們主要來看看谷歌DeepMind那邊，又搞出了一個(gè)什么讓人有點(diǎn)“頭皮發(fā)麻”的新東西——他們居然開始用視頻生成模型，給機(jī)器人搭建一個(gè)近乎真實(shí)的虛擬世界來“考試”了。

咱們都知道，現(xiàn)在的機(jī)器人越來越聰明，你告訴它“把桌上的蘋果拿給我”，它可能真能辦到，但想讓這種通用型機(jī)器人靠譜，得經(jīng)過海量測(cè)試，在現(xiàn)實(shí)世界里測(cè)，成本高到嚇人，一臺(tái)機(jī)器人硬件就價(jià)值不菲，更別提成百上千次的不同場(chǎng)景測(cè)試了，耗時(shí)、燒錢。

最頭疼的還是安全問題，你總不能為了測(cè)試機(jī)器人會(huì)不會(huì)不小心夾到人的手，就真找個(gè)人手反復(fù)去試吧？這種危險(xiǎn)場(chǎng)景，在現(xiàn)實(shí)里根本沒法放開手腳去測(cè)，傳統(tǒng)的物理仿真軟件呢，又常常被詬病“太假”，和真實(shí)世界差距明顯，測(cè)出來的結(jié)果參考價(jià)值有限。

那怎么辦？谷歌DeepMind的Gemini機(jī)器人團(tuán)隊(duì)，把目光投向了他們自家的頂尖視頻生成模型——Veo，他們的思路很“炸裂”：既然視頻模型能生成以假亂真的畫面，那我們能不能直接用它來模擬機(jī)器人執(zhí)行任務(wù)時(shí)的未來場(chǎng)景呢？

他們還真搞出來了，名字就叫“Veo Robotics”，簡單說，他們用大量機(jī)器人操作數(shù)據(jù)，對(duì)Veo模型進(jìn)行了專門訓(xùn)練，這個(gè)訓(xùn)練后的模型，能夠根據(jù)機(jī)器人當(dāng)前的視角畫面和它計(jì)劃執(zhí)行的動(dòng)作，預(yù)測(cè)并生成出接下來幾秒鐘、高度逼真的“未來視頻”，這就像給機(jī)器人提前播放了一段它行動(dòng)結(jié)果的“預(yù)告片”。

光說沒用，得看療效，為了驗(yàn)證這個(gè)“視頻模擬器”靠不靠譜，DeepMind團(tuán)隊(duì)下了血本，回頭做了超過1600次真實(shí)世界的機(jī)器人實(shí)驗(yàn)進(jìn)行對(duì)比，他們?cè)诎朔N不同的機(jī)器人控制模型、五項(xiàng)任務(wù)上進(jìn)行了測(cè)試。

結(jié)果挺有說服力，這個(gè)Veo模擬器生成的預(yù)測(cè)結(jié)果，和機(jī)器人在現(xiàn)實(shí)中的實(shí)際表現(xiàn)，在成功率的趨勢(shì)上高度相關(guān)，簡單說，就是它在視頻里預(yù)測(cè)哪個(gè)策略更好，在現(xiàn)實(shí)里那個(gè)策略確實(shí)就表現(xiàn)更優(yōu)，它甚至能比較準(zhǔn)確地預(yù)測(cè)，當(dāng)一個(gè)陌生新物體突然出現(xiàn)在場(chǎng)景里（分布外泛化），機(jī)器人的表現(xiàn)會(huì)如何下降。

所以，你看，這項(xiàng)工作的核心價(jià)值不在于用視頻做了一個(gè)酷炫的動(dòng)畫，而在于它開辟了一條新路：用高保真的視頻仿真，作為一個(gè)高效、安全、低成本的“試驗(yàn)場(chǎng)”，去大規(guī)模評(píng)估、甚至主動(dòng)發(fā)現(xiàn)機(jī)器人策略的弱點(diǎn)和潛在風(fēng)險(xiǎn)，這相當(dāng)于在把機(jī)器人放到我們身邊之前，先在一個(gè)無限接近真實(shí)的“平行世界”里，對(duì)它進(jìn)行了嚴(yán)格的考核與訓(xùn)練。

雖然這項(xiàng)技術(shù)還處于早期，但它的潛力已經(jīng)顯現(xiàn)，它或許不能完全替代最終的真實(shí)測(cè)試，但它能極大地縮小研發(fā)循環(huán)，讓更安全、更可靠的機(jī)器人，更快地從實(shí)驗(yàn)室走向我們的日常生活。這背后的邏輯，正在悄然改變機(jī)器人技術(shù)的發(fā)展節(jié)奏。