Đột phá từ Trung Quốc: AI tạo thế giới 3D vô tận chỉ từ một câu lệnh

Một bước tiến chấn động vừa cho phép trí tuệ nhân tạo tự dựng nên những thế giới ba chiều vô tận chỉ bằng văn bản. Đột phá này hứa hẹn giải quyết cơn khát dữ liệu khổng lồ, mở ra kỷ nguyên mới cho các thiết bị thông minh.

Từ trước tới nay, làn sóng phát triển của trí tuệ nhân tạo tạo sinh phần lớn đều dồn trọng tâm vào việc mở rộng quy mô tham số, khối lượng văn bản, hình ảnh hoặc các dạng thức phương tiện truyền thông. Chiều kích không gian ở quy mô rộng lớn của thế giới gần như vẫn là một vùng đất hoang sơ chưa được khai phá.

Giờ đây, một công trình nghiên cứu mang tính bước ngoặt từ nhóm khoa học của giáo sư Sử Chấn Vị và giáo sư Trâu Chinh Hạ thuộc Đại học Hàng không Vũ trụ Bắc Kinh đã chính thức phá vỡ giới hạn đó.

Nghiên cứu mang tên MetaEarth3D vừa được công bố trên hệ thống lưu trữ học thuật arXiv và chính thức được tiếp nhận bởi tạp chí danh tiếng National Science Review, đánh dấu lần đầu tiên trí tuệ nhân tạo có thể tạo dựng các khung cảnh ba chiều quy mô thế giới hoàn chỉnh chỉ từ dữ liệu viễn thám.

Nghiên cứu mới của nhóm giáo sư Sử Chấn Vị và Trâu Chinh Hạ (Đại học Hàng không Vũ trụ Bắc Kinh) giới thiệu MetaEarth3D - mô hình nền tảng tạo sinh mở rộng không gian ba chiều quy mô Trái Đất, công bố trên arXiv và được National Science Review chính thức tiếp nhận.

Điểm phi thường của mô hình nằm ở chỗ người vận hành chỉ cần nhập vào một câu mô tả ngắn bằng văn bản hoặc cung cấp một bức ảnh chụp từ vệ tinh. Ngay lập tức, hệ thống có thể tạo nên cả một thế giới ba chiều mở rộng vô hạn và liền mạch, trải dài từ các dạng địa hình thiên nhiên khổng lồ như đồi núi, sa mạc, bờ biển cho tới các đô thị quy mô trung bình và những khối phố tinh vi.

Không chỉ tạo ra hình ảnh đơn thuần, môi trường nhân tạo này còn gắn sẵn các thông số không gian nguyên bản như cao độ và khoảng cách vật lý thực tế.

Khi đưa nguồn dữ liệu mô phỏng này vào thực nghiệm huấn luyện các hệ thống trí tuệ nhân tạo điều khiển máy bay không người lái tầm thấp, khả năng hiểu biết không gian của thiết bị đã ghi nhận mức tăng trưởng trung bình đầy ấn tượng lên tới 22,85%.

Chỉ từ một câu văn bản miêu tả hoặc một bức ảnh vệ tinh, mô hình có thể tạo ra các khung cảnh ba chiều vô tận, liên tục, nhất quán từ quy mô địa hình lớn, đô thị vừa cho đến từng khối phố, kèm theo các nhãn đo lường nguyên bản (chiều cao, khoảng cách) giúp tăng trung bình 22,85% năng lực hiểu biết không gian cho trí tuệ nhân tạo hàng không vũ trụ.

Nhiều người có thể nhầm lẫn công nghệ này với nền tảng quen thuộc Google Earth, song các tác giả khẳng định hai hệ thống đi theo hai lộ trình kỹ thuật hoàn toàn đối lập.

Bản chất của Google Earth là một kho lưu trữ dữ liệu khổng lồ, nơi thế giới thực được thu thập từ trước thông qua máy bay chụp hình, vệ tinh viễn thám rồi tiến hành tái dựng và lưu trữ dưới dạng lưới tam giác hoặc đám mây điểm.

Khi có người xem, hệ thống chỉ đơn thuần trích xuất dữ liệu có sẵn để hiển thị, đòi hỏi quy trình chuẩn bị vô cùng phức tạp và kinh phí khổng lồ.

Ngược lại, MetaEarth3D vận hành hoàn toàn dựa trên mạng thần kinh nhân tạo. Nó không hề sao chép lại thế giới có sẵn mà tự tạo ra một thế giới hoàn toàn mới, một không gian chưa từng hiện diện nhưng lại chuẩn xác tuyệt đối theo các quy luật thống kê về mặt địa mạo, độ cao và sự phân bổ thị giác của Trái Đất.

Google Earth là cơ sở dữ liệu dựng sẵn qua thu thập, tái thiết thực địa đắt đỏ; trong khi MetaEarth3D là mô hình thuần mạng thần kinh, tự tạo ra thế giới ba chiều chưa từng tồn tại nhưng tuân thủ hoàn toàn quy luật thống kê của thế giới thực.

Để đạt được kỳ tích này, nhóm nghiên cứu đã phải giải quyết bài toán hóc búa về sự khan hiếm của nguồn dữ liệu ba chiều thực tế.

Thay vì tốn kém thu thập các tập dữ liệu quét không gian đắt đỏ, nhóm đã sử dụng phương pháp chuyển đổi khung cảnh ba chiều thành các tín hiệu giám sát từ ảnh hai chiều, tận dụng kho dữ liệu khoảng 10 triệu bức ảnh toàn cầu kết hợp cùng khung chuyển dịch phân phối xác suất tiệm tiến.

Dù sở hữu tới 4,6 tỷ tham số, MetaEarth3D lại tối ưu hóa năng lực tính toán đáng kinh ngạc: chỉ với một chiếc card đồ họa phổ thông NVIDIA RTX 3090, hệ thống có thể tạo ra cả một khu vực đô thị rộng tới 17 kilomet vuông chỉ trong vòng khoảng 2 giờ đồng hồ.

Mô hình này xuất ra định dạng không gian ba chiều tường minh, cho phép tương thích trực tiếp với các phần mềm đồ họa như UE hay Unity mà không hề gặp hiện tượng sai lệch khoảng cách xa như các mô hình sinh video thông thường.

Khả năng kiến tạo không gian này mở ra cánh cửa ứng dụng vô giá cho các hệ thống máy bay không người lái, xe tự hành và robot thông minh.

Đáng chú ý nhất là khả năng tự tạo ra các kịch bản mang tính "thiên nga đen" - những tình huống cực kỳ hiếm gặp ngoài đời thực nhưng lại có sức tàn phá nghiêm trọng - giúp các cỗ máy tự động có thể luyện tập thuần thục trước mọi biến cố hiểm nghèo.

Mô hình có 4,6 tỷ tham số, huấn luyện từ 10 triệu ảnh toàn cầu nhưng suy luận rất nhẹ, chỉ cần card đồ họa NVIDIA RTX 3090 là tạo được 17 kilomet vuông đô thị trong 2 giờ; khắc phục nút thắt dữ liệu ba chiều đắt đỏ bằng cách dùng tín hiệu giám sát ảnh hai chiều và khung chuyển dịch phân phối xác suất tiệm tiến.

Dẫu vẫn còn những rào cản cần vượt qua như việc khung cảnh hiện mới chỉ dừng lại ở một thời điểm cố định chưa phản ánh được sự biến đổi thời gian, mùa màng và hệ thống mới chỉ mô phỏng được dải sáng quang học khả kiến chứ chưa tích hợp được lidar hay hồng ngoại nhiệt, MetaEarth3D rõ ràng đã đặt một cột mốc lịch sử.

Trí tuệ nhân tạo giờ đây không còn dừng lại ở vai trò công cụ tạo nội dung thông thường, mà đang vươn mình trở thành hạ tầng dữ liệu nền tảng, mở ra một vũ trụ số vô tận phục vụ cho sự tiến hóa của thế giới công nghệ tương lai.