Avataar AI izlaiž video modeli Varya, kas pielāgots Indijas kultūras kontekstam un ir ievērojami lētāks
Startaps Avataar AI, kas ir viens no 12 Indijas AI misijas programmas dalībniekiem, prezentējis jaunu video ģenerēšanas modeli Varya, kas balstīts uz atklātā koda Wan 2.2 un izmanto destilāciju, lai paātrinātu procesu 10 reizes un samazinātu izmaksas 20 reizes salīdzinājumā ar konkurentiem.
Indijas mākslīgā intelekta attīstība atpaliek no ASV, Eiropas un Ķīnas – tikai daži startapi izlaiž modeļus, un lielākoties tie ir lielo valodu vai balss modeļi. Lai veicinātu progresu, valdība uzsāka Indijas AI misiju, aptuveni 1,2 miljardu dolāru vērtu iniciatīvu, kas atlasītajiem startapiem nodrošina subsidētu GPU jaudu apmaiņā pret modeļu publisku izlaišanu.
Viens no 12 atlasītajiem – Peak XV atbalstītais Avataar AI – ir laidis klajā Varya, video ģenerēšanas modeli, kas īpaši pielāgots Indijas kontekstam, spējot atpazīt dažādus festivālus, ēdienus un apģērbu. Uzņēmums, kas specializējas e-komercijas video rīkos, Varya neveidoja no nulles – tas izmantoja Alibaba atklātā koda modeli Wan 2.2 un destilācijas tehniku, lai saspiestu tā iespējas kompaktākā un ātrākā versijā.
Rezultātā Varya videoklipu ģenerē 4 soļos, nevis Wan 2.2 50, padarot procesu 10 reizes ātrāku un ievērojami lētāku. Izmantojot Nvidia H200 grafisko karti, Varya piecu sekunžu 720p klipu izveido 45 sekundēs, kamēr Wan 2.2 tas prasa 1230 sekundes. Vēl iespaidīgāka ir cena – uzņēmums plāno par katru video sekundi iekasēt 0,48 rūpijas (0,005 ASV dolāru), kas ir aptuveni 20 reizes lētāk nekā tādi modeļi kā Veo, Kling, Luma vai Runway (tie maksā 0,10 dolāru vai vairāk par sekundi).
„Indija ir videocentrisks tirgus – video uzvar pār tekstu. Pašreizējie AI video modeļi ir pārāk dārgi, lai tos plaši izmantotu Indijā. Ja video AI vēlas sasniegt studentus, skolotājus, mazos uzņēmumus, radītājus un sabiedriskos pakalpojumus, izmaksām ir krasi jāsamazinās. Izmaksas ir lielākais šķērslis MI ieviešanai Indijā,” skaidroja Peak XV rīkotājdirektors Radžans Anadans.
Attēlu un video ģenerēšanas modeļi bieži izlaiž kultūras nianses, radot stereotipiskus rezultātus. Avataar AI apgalvo, ka Varya ir apmācīts ar atlasītiem datiem, lai atpazītu Indijas kultūras īpatnības – ēdienu, apģērbu, arhitektūru un svētkus. Modelis būs pieejams kā atvērtās pirmkoda svari Indijas valdības AIKosh portālā kopā ar apmācības datiem, ļaujot izstrādātājiem to pašiem izvietot vai pielāgot. Varya būs pieejams arī uzņēmumu klientiem, un uzņēmums ir atvērts sadarbībai ar video rīkiem, tostarp Higgsfield un Adobe Firefly. Ikviens to var izmēģināt mājaslapā, izmantojot teksta vai attēla norādes.
Varya palaišana atspoguļo Indijas pragmatisko pieeju MI – valsts var gūt panākumus, radot lietojumprogrammas un attīstot izstrādātāju ekosistēmu, nevis cenšoties konkurēt ar fundamentālajiem modeļiem. Tas ir saprotami, ņemot vērā aprēķinu jaudas un kvalitatīvu datu trūkumu. Indijas AI misija ir daļa no plašākiem valdības centieniem novērst šo plaisu. Pērn tā atlasīja 12 startapus, tostarp Avataar AI, lai izstrādātu MI modeļus, nodrošinot tiem izmaksu ziņā efektīvu skaitļošanas jaudu. Šogad IT ministrs Ašvini Vaišnavs paziņoja, ka Indija līdz 2028. gadam plāno piesaistīt 200 miljardus dolāru MI investīcijās un divkāršot GPU jaudu sešu mēnešu laikā.
