Интуитивная физика: как JEPA помогает моделям учиться на видео

В последние годы мир нейросетей активно изучает, как же они могут схватывать основы физики. Исследование под названием "Intuitive physics understanding emerges from self-supervised pretraining on natural videos" от команды ученых, среди которых такие знаменитости, как Ян ЛеКун, действительно зажигает. Они изучают, как модели могут обучиться понимать физические особенности объектов через просмотр видео.

Интуитивная физика: что это такое и зачем она нужна? Все мы знаем, что предметы ведут себя предсказуемо: они не исчезают без следа и не проходят сквозь стены. Дети с ранних лет инстинктивно понимают эти принципы, но, как показывает практика, большинство современных AI-систем оказывается не готово к подобным задачам, что наглядно иллюстрирует парадокс Моравека. В то время как AI может решать сложные языковые задачи, для кошки, вероятно, будет легче справиться с "интуитивной физикой".

Модели для обучения интуитивной физики

Назовем несколько подходов, которые исследователи применяют к изучению физики в AI:

1. Структурированные модели: здесь мы видим ручное кодирование правил, основанных на определенных репрезентациях объектов и их взаимодействиях.

2. Пиксельные генеративные модели: они учатся реконструировать будущие данные на основании прошедших, по сути, создавая нечто вроде "предсказания".

И вот тут на сцену выходит JEPA (Joint Embedding Predictive Architectures). Эта модель, представляемая как некая срединная точка между структурированными и пиксельными моделями, открывает новые горизонты в понимании того, как мы можем заставить AI интуитивно постигать физику.

Как работает JEPA?

JEPA использует внутренние абстрактные репрезентации, что позволяет модели не фокусироваться на предсказании каждого пикселя изображения. Вместо этого, входные данные кодируются с помощью энкодера в некую вещественную репрезентацию, после чего предиктор идет на риск и делает прогноз относительно того, как выглядит будущий вход, принимая в расчет различные латентные переменные.

Этот подход имеет свои плюсы, так как не нужно предугадывать каждый нюанс изображения — температура веселой летней деньки не будет иметь значения для модели. В отличие от генеративных моделей, таких как VAE, которые могут с трудом предсказать конкретные исходы, JEPA делает акцент на общих абстракциях.

Дальнейшие разработки JEPA

JEPA стала основой для целого ряда новых моделей:

• Hierarchical JEPA (H-JEPA)
• Image-based JEPA (I-JEPA)
• Video-JEPA (V-JEPA)
• И самое свежее — Video JEPA with Variance-Covariance Regularization (VJ-VCR).

Каждая из этих моделей стоит на плечах гигантов, и всё это приводит нас к текущему изучению V-JEPA, которая расширяет возможности работы с видео и предсказывает замаскированные части.

Реальность нарушенных ожиданий

Исследование физики с помощью моделей, как V-JEPA, действительно увлекательно, ведь оно исследует, как роботы и нейросети могут понимать физику, через так называемый violation-of-expectation фреймворк. Это фактически меряет, насколько предсказание модели совпадает с реальным миром с помощью "вызванного сюрприза". Такой же метод применим к живым существам, где наблюдается, как они задерживают взгляд на неожиданном исходе.

Что же касается структуры V-JEPA — как и у её предшественниц, у неё есть энкодер, который создает репрезентацию видео, и предиктор, работающий над замаскированной частью. Это действительно инновационная технологическая разработка, которая, возможно, откроет нам двери, ведающие в глубины интуитивной физики — искусству, которое, как оказывается, не так просто схватить, даже имея на руках мощные вычислительные модели.

Так что следите за развитием этой области, ведь впереди нас ждет еще много интересного!