Fast-WAM：Galaxea、ヤン・ルクンの最新研究と並び高速ワールドアクションモデルを発表、ワールドモデルのパラダイムを再定義
Galaxeaは、ロボット向けワールドモデルにおける新たな研究成果であるFast-WAMを発表しました。
ワールドアクションモデル（WAM）における新たなマイルストーンであるFast-WAMは、従来型で非効率な「まず想像し、後で行動する」パラダイムを超えます。基盤となるモデルアーキテクチャを根本的に再考することで、身体性AIにおける長年のボトルネックの一つであるレイテンシに対処します。
この画期的な成果は、AIコミュニティ全体で急速に議論を巻き起こしました。ニューヨーク大学の助教であり、拡散トランスフォーマー（DiT）の主要な貢献者でもあるSaining Xieもこの研究を評価し、チューリング賞受賞者であるYann LeCunの最新研究LeWorldModelと並んでFast-WAMを推奨しています。
AIの第一人者たちが注目していることは、Fast-WAMが身体性ワールドモデルの展開が直面する最も重要な課題の一つにどれほど直接的に対処しているかを反映しています。
長年、WAMは推論中に将来のビデオフレームを生成しなければならず、ロボットを非効率な「まず考えて、後で行動する」ワークフローに追い込むという前提が支配的でした。GalaxeaはFast-WAMにより、ワールドモデルの力は推論時にビデオを生成することではなく、ビデオを通じて世界をモデル化する能力にあることを示しています。
この洞察は大きな計算負荷を取り除き、1ステップあたりのレイテンシをわずか190ミリ秒に短縮します。Fast-WAMは、最先端（SOTA）の性能を維持しながら、4倍以上高速な推論を実現します。その登場は、ワールドモデルによるリアルタイムロボット制御に向けた重要な一歩であり、身体性AIの大規模な産業展開への道を切り開きます。
論文：https://arxiv.org/abs/2603.16666
プロジェクトウェブサイト：https://yuantianyuan01.github.io/FastWAM/
1. ワールドモデルにおける主要な技術的突破：トレーニングと推論
身体性AIのパイオニアとして、Galaxeaチームは、ビジョン言語アクション（VLA）モデルやワールドモデルを含む確立された技術的方向性に対して科学的な厳密さで取り組み、綿密に設計された実験を通じてその根底にある原理を明らかにしようとしています。
ほとんどの主流なWAMは、「まず想像し、後で行動する」パラダイムに従っています。観測与えられた場合、モデルはまずビデオ拡散モジュールを反復的なデノイジングを通じて実行していくつかの将来のフレームを予測し、次にそれらの想像された視覚的観測に基づいて行動を生成します。直感的ではありますが、このアプローチには大きな実用上の欠点があります：ビデオ生成は計算コストが高いことです。繰り返しのデノイジング反復は推論レイテンシを数百ミリ秒に押し上げることがあり、ロボットのリアルタイム応答要件を満たすことを困難にします。
Fast-WAMは、しばしば密接に結合されている2つのプロセスであるトレーニングと推論を分離するように設計されました。
- トレーニング — 共同モデル化： Fast-WAMはビデオ共同トレーニングを保持し、視覚モジュールが物理的な力学と空間的な相互作用パターンを学習することを可能にします。
- 推論 — 生成をスキップ：タスク実行中、Fast-WAMは冗長な予測ブランチをバイパスします。反復的なデノイジングを実行するのではなく、単一の前向きパスで潜在的なワールド表現を抽出します。これにより、根底にある物理的な力学を捉えます。
このデカップリングは、ワールドモデルがどのように機能するかについてのより深い理解を示しており、アルゴリズム効率を最大化するというチームの取り組みを反映しています。
2. 実験結果：190ミリ秒の推論レイテンシと4倍以上高速な推論
性能は最終的に実験的な証拠に帰結します。Fast-WAMは、RoboTwin 2.0の両手操作ベンチマーク、LIBERO長期間タスクベンチマーク、および実際のタオル折りたたみタスク全体で説得力のある結果を提供します。
チームは、ビデオ生成ブランチを保持する、ビデオの前に生成する、またはビデオトレーニングを削除するバリアントを含む3つの制御された実験グループを実施しました。これらの実験を合わせると、Fast-WAMアプローチの利点が示されます。
- 4倍以上高速な推論：Fast-WAMは、従来のWAMが約800ミリ秒であるのに対し、わずか190ミリ秒の1ステップ推論レイテンシを達成します。この大幅なレイテンシの削減により、Fast-WAMはリアルタイムロボット制御の要求により適しています。
- 主要なワールドモデルの中でSOTAの性能：RoboTwin 2.0両手操作ベンチマークおよびLIBERO長期間タスクベンチマークにおいて、Fast-WAMは推論中に将来のビデオを生成することなく、最も強力なワールドモデルと同等の成功率を達成します。
- 実世界での検証：難易度の高いタオル折りたたみタスクにおいて、Fast-WAMは変形可能な物体との相互作用における強力な物理モデリング能力を示し、複雑な実世界での操作における実用的な可能性を浮き彫りにしました。
Fast-WAMにより、Galaxeaは世界モデルのアプローチを根本的に再考しました。冗長な将来動画生成ブランチを削除することで、リアルタイム制御における世界モデルの大きな制約に対処しています。さらに重要なのは、この変化が推論速度だけでなく、身体性AIのより広い分野に影響を与えるということです。
Fast-WAMは、世界モデルは将来動画を生成しなければならないという長年の前提に疑問を投げかけます。物理的な理解は、高レイテンシの生成から切り離せることを示しています。わずか190ミリ秒の推論レイテンシで業界をリードする性能を実現することで、Fast-WAMはロボットアーム操作や産業自動化などのレイテンシに敏感なアプリケーションにおける世界モデルの導入障壁を取り除くのに役立ちます。これにより、これまで計算コストと応答時間の制約を受けていた高度なポリシーが、研究室を超えて大規模な産業展開へと向かうための新たな可能性が開かれます。
Fast-WAMは、Galaxeaにとって単なるアルゴリズム効率のさらなる進歩ではありません。それはチームのより広範な技術哲学も反映しています。支配的なパラダイムを盲目的に追ったり、単に計算リソースを拡張したりするのではなく、Galaxeaは基礎となるメカニズムの厳密な分析を通じて身体性知能の基本原理を明らかにしようとし、その進化のための最も根本的な道を見つけようとしています。
Fast-WAMの技術レポートを見る：
0件のコメント