메타, 메타버스에서 가상 에이전트의 행동을 발전시키기 위한 AI 모델 출시

목요일에, Meta FAIR은 공개한 새로운 연구 도구와 인공 지능 및 머신 러닝 발전을 위한 새로운 연구 결과들에 대한 주목할 만한 내용들을 다루고 있습니다. 이번 공개에서는 에이전트 개발, 견고성, 안전성, 머신 러닝 아키텍처 등의 영역에 초점을 맞추고 있습니다.

주요 하이라이트로는 가상 실제화된 에이전트를 제어하는 기반 모델인 메타 모티보와, 콘텐츠 추적성을 강화하는 데 설계된 비디오 워터마킹 모델인 메타 비디오 씰이 있습니다.

Meta Video Seal은 오디오 워터마킹에 대한 이전 연구를 기반으로, 비디오 콘텐츠에 눈에 띄지 않는 워터마크를 삽입할 수 있게 해줍니다. 이 시스템은 흐림, 자르기, 압축과 같은 일반적인 수정 사항에 대해 저항력이 있어, 디지털 미디어를 보호하는데 실용적인 응용을 제공합니다.

이와 함께 제공되는 것이 Omni Seal Bench라는 벤치마킹 플랫폼으로, 다양한 형식에서 워터마킹 시스템을 평가하는 데 사용됩니다. 이 플랫폼은 연구 커뮤니티 내에서의 협력을 촉진하는 것을 목표로 합니다.

메타 모티보는 비감독 강화학습을 위한 프레임워크를 소개합니다. 이는 상태, 움직임, 그리고 보상에 대한 공유 잠재 공간을 만들기 위해 모션 데이터셋을 사용합니다.

이 모델은 제로샷 모션 추적 및 목표 도달 능력을 보이며, 중력과 바람과 같은 환경 변화에 대한 강인성을 유지합니다. 이러한 기능들은 가상 환경과 애니메이션에 응용 가능성을 가지고 있습니다.

Flow Matching은 생성 모델에 대한 전통적인 확산 방법에 대한 대안을 제공하는 또 다른 출시입니다. 이것은 이미지, 비디오, 3D 구조물을 포함한 다양한 데이터 유형을 지원하면서 계산 효율성과 성능을 개선합니다.

사회적 추론 영역에서, 메타 탐색 이론-마음(Theory-of-Mind)은 AI 모델을 신념과 생각에 대해 추론하도록 훈련시키는 데 사용되는 프로그램 지원 데이터셋 생성 방법을 제시합니다.

초기 테스트 결과는 확립된 벤치마크에서 모델 성능의 향상을 나타내며, 이는 대규모 언어 모델에서의 추론능력 향상에 대한 함의를 가지고 있습니다.

메타는 또한 Large Concept Models (LCMs)을 소개하였는데, 이는 개별 토큰 대신 개념적 아이디어를 예측함으로써 언어 표현에서 추론 작업을 분리하는 것을 목표로 합니다.

이 접근법은 요약 및 다국어 처리와 같은 작업을 개선한다고 알려져 있습니다. 더불어, 다이나믹 바이트 잠재 트랜스포머는 토큰화의 필요성을 제거하며, 긴 시퀀스와 드문 텍스트의 처리를 더 효율적으로 해줍니다.

다른 출시작업에는 사실적인 지식을 모델에 통합하는 데 도움을 주는 메타 메모리 레이어와 책임감 있는 이미지 생성을 평가하는 도구들이 포함됩니다.

AI 에이전트가 물리적인 몸체와 결합하는 것은 메타버스에서 중요한 변화를 표시하며, 더욱 현실적인 상호작용과 동적인 가상 체험을 가능하게 합니다.

그러나 이러한 발전은 가상 세계와 실제 세계 사이의 경계를 흐릴 수 있으며, 프라이버시, 책임, 그리고 점점 더 생명체 같은 가상 에이전트의 사회적 영향에 대한 질문을 제기할 수 있습니다.