最新消息，Sora核心作者，将领导谷歌世界模型团队！
Tim Brooks——带队Sora研究的两位负责人之一，也是DALL-E 3作者之一，刚刚发布了一条热情四溢的推特，广纳天下英才：
DeepMind有雄心勃勃的计划，要制作大量世界模型。
向着这个使命，我开始招募一个新团队。快来加入我们吧！
Brooks是AI圈子里十分耀眼的新秀，2023年刚刚从UC博客里博士毕业。
2023年1月起，Brooks开始带队研究Sora；2024年2月，Sora初亮相。
但在去年10月，Brooks突然官宣离开OpenAI，跳槽谷歌DeepMind。
当时，谷歌DeepMind的CEO Demis Hassabis就在该推文下回复表示，Brooks将帮助“将世界模拟器这一长期梦想变为现实”。
现在，Brooks真的要带队谷歌的世界模型团队了，并且是从头开始一手招募筹建。
并且，有人抓住了官宣推文中的华点：
Models，这意味着谷歌要制作的世界模型不是一个，而是很多个！
而官宣推文下面，几乎都是网友的祝福之语：
谷歌组建世界模型新团队
目前，Tim Brooks的领英和推特自我简介都显示为：
- video gen + world sim at DeepMind
- ex-OpenAI Sora Lead
关于“video gen”，Brooks加入谷歌DeepMind的时间，在广受好评的Veo 2.0发布之前。
a16z的投资人曾对着Veo 2.0惊叹，难以置信不到一年的时间里，视频模型进展如此神速。
目前，Veo 2已经登录VideoFX，预计明年它将进军YouTube Shorts等平台，为内容创作者开启全新的可能性。
而“world sim”，应该就是目前正在招募的新团队的肩上重担了。
根据Brooks链接的招聘页面，新团队会和谷歌旗下Gemini、Veo和Genie等团队合作，并在此基础上解决关键的新问题，将世界模型扩展到最高计算水平。
团队将致力于在构建的世界模型之上开发“实时交互生成”工具；并研究如何将世界模型们与现有的多模态模型，如Gemini等集成。
官方显示，谷歌世界模型团队主要招纳两种人才，均要求硕士或博士学位：
研究科学家：（美国）全职底薪范围在136,000美元～245,000美元之间，加奖金、股权和福利。
研究工程师：（美国）全职底薪范围在136,000美元～245,000美元之间，加奖金、股权和福利。
（注：申请岗位时可附上目标地点的具体薪资范围）
△
科学家要求（左图）和工程师要求（右图）
谷歌还表示，他们相信，在视频和多模态数据上扩展预训练（划重点）是实现AGI的关键路径。
而世界模型将推动众多领域，如视觉推理和模拟、具身智能体的规划以及实时交互娱乐。
谷歌对世界模型的（现阶段）理解是什么？
看看去年年底发布的Genie 2，或许可以管窥一二。
24年12月5日，谷歌发布了Genie 2，它是一种自回归潜空间扩散模型，在大型视频数据集上训练。
Genie 2可以实现一张图生成无限多样的3D游戏世界，生成的3D世界可响应键鼠操作，可玩、可控制。
与此前研究相比，Genie 2拥有长期记忆，即使玩家把视角转开，再回来时也可稳定渲染世界中已存在的部分；游戏世界中还可以有其他AI NPC存在，与玩家控制的角色进行复杂交互。
但最重要的目标，不是拿来玩——
Genie 2可用于训练和评估具身智能体，通过创建丰富多样的环境，可以生成AI在训练期间没见过的评估任务。
尽管这项研究仍处于早期阶段，在智能体和环境生成能力方面仍有大量改进空间，但谷歌表示：
我们相信Genie 2是解决在安全训练具身智能体的同时，满足实现通往AGI所需的广度和通用性要求。
△
Genie 2能通过prompt训练Agent打开正确的门
世界模型，下一个角逐赛点？
2024年，AI技术在多元方向持续突破，视频生成、世界模型、具身智能和空间智能等技术推动了人类对AGI的探索。
尤其在世界模型领域，许多初创公司和大型科技公司正在追逐世界模型。
也难怪乎网友在看到Tim Brooks广发英雄贴后，在reddit上发出这样的感慨：
令人惊讶的是，如果这条新闻出现在五年前，我们会惊掉下巴。
但现在，我们就像对待一个普通的星期二一样对待它。
事实上，世界模型反映了长久以来许多AI研究人员对model-based RL工作的无奈和期待：
模型不够准确，那么完全在模型里训练的强化学习效果就不好。
如果能获得准确的世界模型，就能在世界模型中反复试错，找到现实的最优决策。
据量子位智库《2024年度AI十大趋势报告》，在世界模型领域，研究者们致力于开发能够模拟和理解真实世界的模型，核心在于通过学习大量数据，使模型能够自然涌现新的行为和决策能力。
Techcrunch则盘点到，在追逐世界模型的诸多玩家中，除了谷歌这样的科技巨头，还有不少耀眼的初创玩家。
譬如李飞飞的World Labs（虽然现在大家更多将它的目标定位于空间智能），以及Decart、 Odyssey等公司。
该领域普遍认为，世界模型可能能用来创建交互式媒体，如视频游戏和电影；以及运行现实模拟，如机器人/具身智能的训练环境。
目前，除了技术尚未达到心目中的理想水平，还有几道坎摆在世界模型前进之路上。
一个是版权，一些世界模型似乎是在游戏游玩剪辑片段上训练的。
那咱就不得不提谷歌世界模型新团队的最大优势了——是谁拥有Youtube里上亿小时的游戏视频数据，我不说。
另一个是相关内容创作从业者的反对。
不过值得一提的是，其中一些初创玩家，如Odyssey，承诺将与3D内容领域的创意从业者合作作，而非取代他们。
暂不知道谷歌会怎么做。
One More Thing
最后，提一个网友们从谷歌世界模型新团队JD细则里发现的华点。
谷歌DeepMind写道：
We believe scaling pretraining on video and multimodal data is on the critical path to artificial general intelligence.
划重点， scaling pretraining。
而早些时候，在NeurIPS上，Ilya公开宣判：
预训练时代即将终结！
虽然也可以理解为，Ilya特指的是大语言模型的预训练时代，谷歌DeepMind特指的是世界模型的预训练。
但……谁知道呢，你说是不（手动狗头）。
还没有评论，来说两句吧...