คำตอบเผยแพร่แล้ว17 แหล่งที่มา
JD เปิดซอร์ส JoyAI-EchoWM โมเดลโลก AI ที่เดินสำรวจได้ พร้อมเสียงและภาพที่ไปด้วยกัน
JD เปิดซอร์ส JoyAI EchoWM และ EchoWM Flash รุ่นสตรีมแบบเชิงเหตุด้วย 4 ขั้นตอน ในงาน JDD 2026 ระบบ camera intent แปลงคำสั่งจากคีย์บอร์ดหรือคอนโทรลเลอร์เป็นเส้นทางกล้องต่อเนื่องแบบ 6 องศาอิสระ รองรับทั้งมุมมองบุคคลที่หนึ่งและกล้องบุคคลที่สาม การเปิดตัวอยู่ในภาพใหญ่ของแผน physical AI ของ JD ซึ่งรวมถึงแผนคลัสเตอร์ GPU ภ...
เผยแพร่โดยแก้ไขด้วย GPT-5.6 Terraรูปภาพสร้างด้วย GPT Image 2
คำตอบการวิจัย
ประเด็นสำคัญ
- JD เปิดซอร์ส JoyAI EchoWM และ EchoWM Flash รุ่นสตรีมแบบเชิงเหตุด้วย 4 ขั้นตอน ในงาน JDD 2026
- ระบบ camera intent แปลงคำสั่งจากคีย์บอร์ดหรือคอนโทรลเลอร์เป็นเส้นทางกล้องต่อเนื่องแบบ 6 องศาอิสระ รองรับทั้งมุมมองบุคคลที่หนึ่งและกล้องบุคคลที่สาม
- การเปิดตัวอยู่ในภาพใหญ่ของแผน physical AI ของ JD ซึ่งรวมถึงแผนคลัสเตอร์ GPU ภายในประเทศ 100,000 ตัว และการเก็บวิดีโอกิจกรรมโลกจริงมากกว่า 10 ล้านชั่วโมง
AI พรอมต์
openai.comCreate a landscape editorial hero image for this Studio Global article: What did JD.com announce at the September 10, 2026 JDDiscovery (JDD) conference about open-sourcing JoyAI-EchoWM—its interactive audiovisual. Article summary: JD announced that it is open-sourcing JoyAI‑EchoWM, an “enterable” interactive audiovisual world model, and EchoWM‑Flash, a faster four-step causal-streaming version. The release is best understood as part of JD’s physic. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
JD ประกาศเปิดซอร์ส JoyAI-EchoWM โมเดลโลก AI แบบโสตทัศน์ที่ผู้ใช้เข้าไปสำรวจได้ พร้อม EchoWM-Flash รุ่นที่เบากว่าและสตรีมแบบเชิงเหตุด้วยการประมวลผล 4 ขั้นตอน ในงาน JDDiscovery (JDD) 2026 จุดต่างจากวิดีโอ AI ทั่วไปคือ โมเดลนี้ไม่ได้สร้างคลิปที่กำหนดตายตัวแล้วจบ แต่ให้ผู้ใช้บังคับการเคลื่อนกล้องในฉากที่สร้างขึ้น และให้ทั้งภาพกับเสียงเปลี่ยนตามการสำรวจนั้น 1
6
ไม่ใช่แค่สร้างวิดีโอ แต่เป็นโลกที่ “เดินเข้าไป” ได้
EchoWM สร้างวิดีโอความละเอียด 720p ควบคู่กับเสียงแวดล้อม ดนตรี และเสียงพูดที่สอดคล้องกับฉาก แนวคิดคือเมื่อผู้ชมเปลี่ยนทิศทางหรือเคลื่อนผ่านพื้นที่ในโลกที่ AI สร้างขึ้น ภาพและเสียงควรวิวัฒน์ไปพร้อมกัน แทนที่จะนำเสียงประกอบมาใส่ทีหลังเป็นคนละชั้น 1
2
แกนสำคัญคืออินเทอร์เฟซ camera-intent หรือ “เจตนาของกล้อง” แบบรวมศูนย์ ซึ่งแปลงคำสั่งจากคีย์บอร์ดหรือคอนโทรลเลอร์เป็นเส้นทางกล้องต่อเนื่องแบบ 6 องศาอิสระ (6DoF) จึงใช้ได้ทั้งการเดินสำรวจในมุมมองบุคคลที่หนึ่ง และมุมกล้องบุคคลที่สามหรือแบบติดตามตัวละคร เส้นทางกล้องจะกำกับการสร้างภาพ ขณะเหตุการณ์ในฉากมีเป้าหมายให้ก่อเสียงที่เข้ากัน เช่น เสียงฝีเท้า เสียงกระแทก บทสนทนา หรือดนตรี 1
11
EchoWM-Flash: ลดขั้นตอนเพื่อการตอบสนองที่ไวขึ้น
EchoWM-Flash คือรุ่นสตรีมแบบเชิงเหตุที่ใช้ 4 ขั้นตอน โดยออกแบบมาเพื่อลดจำนวนขั้นตอนการสุ่มสร้าง ขณะยังคงให้การสร้างฉากตอบสนองต่อการควบคุมได้ ในชุดทดสอบ WBench Navigation จำนวน 158 กรณี งานวิจัยรายงานว่า EchoWM ได้คะแนนเฉลี่ย 81.7 ส่วน EchoWM-Flash ได้ 81.0; EchoWM มีคะแนนด้านปฏิสัมพันธ์ 87.2 และความสม่ำเสมอ 89.8 ขณะที่ Flash มีคะแนนปฏิสัมพันธ์ 87.9 1
ตัวเลขเหล่านี้เป็นผลเบนช์มาร์กที่รายงานโดยผู้พัฒนาและในงานวิจัย จึงไม่ควรตีความว่าเป็นการยืนยันจากอิสระว่าโมเดลทั้งสองพร้อมใช้กับงานเรียลไทม์ในทุกสถานการณ์ โดยคลังเก็บ WBench แยกต่างหากระบุ JoyAI-Echo-1.5 (WM) ที่ 81.6 และรุ่น Flash 4 ขั้นตอนที่ 81.0 ซึ่งอธิบายความต่างเล็กน้อยระหว่างตัวเลข 81.6 กับ 81.7 ที่ปรากฏในแหล่งข้อมูล 15
ต่อฉากได้หลายรอบ แต่ยังไม่มีความจำโลก 3 มิติถาวร
EchoWM รองรับการสำรวจหลายรอบด้วยการให้โมเดลอ้างอิงบริบทภาพและเสียงช่วงท้ายที่มีความยาวจำกัด วิธีนี้ช่วยให้มันสร้างลำดับการนำทางต่อจากเดิมได้ แต่ไม่เท่ากับการเก็บแผนที่โลก 3 มิติแบบชัดเจนและคงอยู่ถาวร
ข้อแตกต่างนี้สำคัญมาก เพราะเมื่อสำรวจเป็นเวลานาน ความสัมพันธ์เชิงพื้นที่หรือรายละเอียดภาพอาจค่อย ๆ คลาดเคลื่อน งานที่ JD รายงานแสดงจุดแข็งด้านปฏิสัมพันธ์และความสม่ำเสมอในการทดสอบ แต่ความต่อเนื่องที่อาศัยหน้าต่างบริบทก็ยังเป็นข้อจำกัดเชิงปฏิบัติสำหรับการนำทางระยะยาว 1
11
ข้อมูลฝึก โมเดล และโค้ดที่เปิดเผยต่อสาธารณะ
งานวิจัยที่เผยแพร่พร้อมกันอธิบายถึงเอนจินข้อมูลโลกและกระบวนการฝึกแบบเป็นขั้น โดยใช้บันทึกการเล่นเกม วิดีโอการเล่นของมนุษย์ การจำลองด้วย Unreal Engine ที่เชื่อมโยงกับท่าทางหรือพิกัด และวิดีโอจากอินเทอร์เน็ต เป้าหมายคือเชื่อมการเคลื่อนกล้องที่ควบคุมได้ พลวัตของภาพ และการสร้างเสียงที่ซิงก์กันไว้ในโมเดลเดียว 1
ตัวงานวิจัยเชื่อมไปยังคลังโค้ดสาธารณะ jd-opensource/JoyAI-Echo ทำให้การเปิดตัวนี้มีนัยต่อทั้งนักวิจัยและนักพัฒนาที่ต้องการทดลองระบบโมเดลโลกเชิงโต้ตอบ 1
ส่วนหนึ่งของยุทธศาสตร์ physical AI ของ JD
JD นำเสนอ EchoWM เป็นองค์ประกอบหนึ่งของความพยายามด้าน physical AI ที่ครอบคลุมข้อมูล กำลังประมวลผล โมเดล และการดำเนินงานโลจิสติกส์ JD Cloud ระบุแผนสร้างคลัสเตอร์ GPU ที่พัฒนาภายในประเทศขนาด 100,000 ตัว สำหรับการฝึกโมเดลขนาดใหญ่ การอนุมาน และงาน AI แบบมีร่างกาย (embodied AI) รวมถึงแผนเก็บวิดีโอกิจกรรมมนุษย์ในโลกจริงมากกว่า 10 ล้านชั่วโมง 18
22
ในฝั่งการใช้งานจริง JD Logistics มี Meta Brain 3.0 ซึ่ง JD ระบุว่าใช้ประสานการตัดสินใจในคลังสินค้า การขนส่ง และการจัดส่ง ช่วยลดเวลาคำนวณเส้นทางที่เหมาะสมที่สุดสำหรับพัสดุหลายร้อยล้านชิ้น จากระดับนาทีลงมาเหลือระดับวินาที 18
22
ดังนั้น การเปิดซอร์ส EchoWM จึงควรมองว่าเป็นการขยับด้านโมเดลเปิดและโครงสร้างพื้นฐานงานวิจัยสำหรับการพัฒนา AI เชิงโต้ตอบและ physical AI ไม่ใช่ข่าวการระดมทุน ข้อเสนอทางเทคนิคที่เด่นที่สุดคือการรวมการนำทางด้วยกล้องที่ควบคุมได้เข้ากับการสร้างวิดีโอและเสียงร่วมกัน พร้อมยอมรับตรงไปตรงมาว่าความสม่ำเสมอของโลกในระยะยาวยังเป็นโจทย์เปิดอยู่ 1
11
Studio Global AI
ทำการวิจัยต่อ
หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global
คนยังถาม
คำตอบสั้น ๆ สำหรับ "JD เปิดซอร์ส JoyAI-EchoWM โมเดลโลก AI ที่เดินสำรวจได้ พร้อมเสียงและภาพที่ไปด้วยกัน" คืออะไร
JD เปิดซอร์ส JoyAI EchoWM และ EchoWM Flash รุ่นสตรีมแบบเชิงเหตุด้วย 4 ขั้นตอน ในงาน JDD 2026
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?
JD เปิดซอร์ส JoyAI EchoWM และ EchoWM Flash รุ่นสตรีมแบบเชิงเหตุด้วย 4 ขั้นตอน ในงาน JDD 2026 ระบบ camera intent แปลงคำสั่งจากคีย์บอร์ดหรือคอนโทรลเลอร์เป็นเส้นทางกล้องต่อเนื่องแบบ 6 องศาอิสระ รองรับทั้งมุมมองบุคคลที่หนึ่งและกล้องบุคคลที่สาม
ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ?
การเปิดตัวอยู่ในภาพใหญ่ของแผน physical AI ของ JD ซึ่งรวมถึงแผนคลัสเตอร์ GPU ภายในประเทศ 100,000 ตัว และการเก็บวิดีโอกิจกรรมโลกจริงมากกว่า 10 ล้านชั่วโมง