Meta lanza modelo de IA para avanzar en el comportamiento del agente virtual en el Metaverso

El jueves, Meta FAIR ha publicado varias herramientas de investigación nuevas y descubrimientos destinados a avanzar en el aprendizaje automático y la inteligencia artificial. Estos lanzamientos se centran en áreas como el desarrollo de agentes, la robustez, la seguridad y las arquitecturas de aprendizaje automático.

Entre los aspectos más destacados se encuentran Meta Motivo, un modelo base para controlar agentes virtuales corpóreos, y Meta Video Seal, un modelo de marca de agua en video diseñado para potenciar la rastreabilidad del contenido.

Meta Video Seal se basa en investigaciones anteriores sobre marcas de agua en audio y permite la inserción de marcas de agua imperceptibles en contenido de video. El sistema es resistente a modificaciones comunes como el desenfoque, el recorte y la compresión, ofreciendo aplicaciones prácticas para la protección de medios digitales.

Junto a esto está el Omni Seal Bench, una plataforma de referencia para evaluar sistemas de marcas de agua en diferentes formatos. Esta plataforma tiene como objetivo fomentar la colaboración dentro de la comunidad de investigación.

Meta Motivo introduce un marco de trabajo para el aprendizaje por refuerzo no supervisado. Utiliza un conjunto de datos de movimiento para crear un espacio latente compartido para estados, movimientos y recompensas.

El modelo demuestra capacidades como el seguimiento de movimiento de disparo cero y el alcance de objetivos, mientras mantiene robustez frente a variaciones ambientales como la gravedad y el viento. Estas características tienen posibles aplicaciones en entornos virtuales y animación.

Flow Matching, otro lanzamiento, proporciona una alternativa a los métodos de difusión tradicionales para modelos generativos. Admite varios tipos de datos, incluyendo imágenes, videos y estructuras 3D, mientras mejora la eficiencia computacional y el rendimiento.

En el área de razonamiento social, Meta Explore Theory-of-Mind presenta un método de creación de conjuntos de datos guiados por programas para entrenar modelos de IA para razonar sobre creencias y pensamientos.

Las pruebas iniciales indican mejoras en el rendimiento del modelo en los estándares establecidos, con implicaciones para mejorar el razonamiento en los grandes modelos de lenguaje.

Meta también ha introducido los Modelos de Conceptos Grandes (LCMs por sus siglas en inglés), que buscan separar las tareas de razonamiento de la representación del lenguaje al predecir ideas conceptuales en lugar de tokens individuales.

Este enfoque aparentemente mejora tareas como la resumen y el procesamiento multilingüe. Además, el Dynamic Byte Latent Transformer elimina la necesidad de tokenización, ofreciendo un procesamiento más eficiente de secuencias largas y textos raros.

Otros lanzamientos incluyen Meta Memory Layers, que ayudan a escalar la incorporación de conocimientos factuales en los modelos, y herramientas para evaluar la generación responsable de imágenes.

La integración de agentes de IA con cuerpos de apariencia física marca un cambio significativo en el metaverso, permitiendo interacciones más realistas y experiencias virtuales dinámicas.

Sin embargo, estos avances podrían desdibujar las fronteras entre los mundos virtual y real, planteando preguntas sobre la privacidad, la responsabilidad y el impacto social de agentes virtuales cada vez más parecidos a la vida real.