尽管生成式AI现阶段并不完美,但绝对称得上是量大管饱。
凭借着开源大模型Llama,如今Meta已跻身AI赛道的第一梯队,也成功摆脱了此前一头扎进元宇宙这个大坑而引发的颓势。但即便当下Meta的AI业务搞得有声有色,元宇宙似乎依然是扎克伯格的最爱。
日前有消息显示,Meta方面计划将生成式AI技术引入Horizon业务,以重振其低迷的元宇宙生态。
根据Meta发布的招聘职位显示,他们正在寻找人才来探索生成式AI在元宇宙中的应用,而该职位的具体职责则主要集中在Horizon系列元宇宙的应用和创作资源上。毫无疑问,招募AI人才为元宇宙业务服务,也表明了Meta方面希望通过引入先进技术,来提升其所搭建元宇宙世界的交互性和智能化程度。
用AI为元宇宙赋能,确实是解决当下后者困境的一种有效手段。
要知道元宇宙为什么在狂飙突进了两年后突然过气,导火索就是Meta数年磨一剑、花费了百亿美元的元宇宙平台Horizon Worlds败不旋踵。
此前在2021年年末,也就是Facebook改名为Meta的这一年,扎克伯格宣布要将10亿人带入元宇宙世界,Horizon Worlds项目也旋即浮出水面。一年之后,他在社交平台也晒出了Horizon Worlds的实机截图。
但当时这张画面表现粗糙到不如4399小游戏的截图,很快就被海外网友群嘲。
紧接着扎克伯格又公布了新的截图试图找补。可是新截图展现出的图形水平,也不过至是从上世纪九十年代升级到本世纪第一个十年的水平。当然,不以画面表现见长还不是什么大问题,毕竟现象级游戏《我的世界》同样不是以画面著称,但Horizon Worlds作为一个元宇宙项目,如果内容空洞到不足以建立一个虚拟世界,问题就大了。遗憾的是,现实确实如此。
在Horizon Worlds正式上线之后,用户发现“图片仅供参考”对其来说并不是一句玩笑话,其实际表现甚至比扎克伯格展示的还要更糟。玩家的数字化身不仅没有双腿,而且动作较为僵硬、无法准确呈现表情。如果光是人物形象不尽如人意也就罢了,“空空荡荡”则是海外媒体当时给Horizon Worlds贴上的标签,用户进入Horizon Worlds后不仅没有获得一个五彩斑斓、光怪陆离的虚拟世界,反而由于内容匮乏导致几乎无事可做。
用一位体验过Horizon Worlds的朋友的话来说,抛开一堆毫无游戏性的小游戏,Horizon Worlds所提供的元宇宙社交几乎就是将上世纪末的聊天室给搬到了VR里。
当初大家对于网络社交抱有巨大的热情,是因为当时都没有体验过剥离了真实身份的虚拟社交,但经过二十余年之后,虚拟社交对于当下的用户来说已经如同空气一般寻常了。
归根结底,Horizon Worlds的失败就在于它向用户提供的内容甚至不如《魔兽世界》、《最终幻想14》等网络游戏,对于当下拥有丰富娱乐体验可供选择的用户来说,其即使背靠元宇宙这个概念,也只能称得上是乏善可陈。
既然缺乏内容是Horizon Worlds被用户抛弃的主要原因,填补内容或许是挽回败局最有效的途径。可问题是内容生产本身需要海量的人力、物力,这却是当时Meta无法承担的。
以构建了一个近乎真实美国西进运动背景下、西部世界风貌的《荒野大镖客2》为例,R星为此付出了2000人团队和整整八年的研发时间。作为一家科技公司、而非游戏开发商,Meta显然不可能为Horizon Worlds配置一个如此豪华的团队,更何况以元宇宙的宏大愿景来计算,即便是《荒野大镖客2》的开发规模也填补不了如此大的缺口。所以如果没有生成式AI,元宇宙真的就只能是一厢情愿。
诚然,当下的生成式AI技术还存在缺陷,其背后的AI大模型距离真正意义上的世界模型是有差距的,更难以直接建设一个可交互的虚拟世界,再加上AI幻觉的存在,AI生成各种有违常识的内容已经是司空见惯。当下,业界对于在商业层面直接应用生成式AI相当谨慎,人工参与的后期微调必不可少,更是几乎不会直接将AI生成的产物投放到消费级市场。
但元宇宙不一样,由于其所希望构建的是一个庞大的虚拟世界,所以这反而就给了生成式AI发挥的空间。就好像开放世界类型的3A游戏由于体量过于庞大,导致绝大多数玩家不会仔细挖掘游戏的每一寸场景,就给了厂商们“偷工减料”的机会。
如果Meta追求的是填满Horizon Worlds,而不是让Horizon Worlds真的与现实世界一样逻辑自洽,生成式AI无疑是现阶段最快速度填满这个虚拟世界的方式,它可能不完美、但绝对是量大管饱。
本文来自微信公众号“三易生活”(ID:IT-3eLife),作者:三易菌
【开源免费】XTuner 是一个高效、灵活、全能的轻量化大模型微调工具库。它帮助开发者提供一个简单易用的平台,可以对大语言模型(LLM)和多模态图文模型(VLM)进行预训练和轻量级微调。XTuner 支持多种微调算法,如 QLoRA、LoRA 和全量参数微调。
项目地址:https://github.com/InternLM/xtuner