Сусветныя модэлі па-за відэа: чому гульні і робатэхніка - гэта сапраўдны полігон для AGI

Калі Янн ЛеКун абвясцьіў пра свой выход з Meta для запуску AMI Labs з фінансаваннем 500 млн еўра, ён сфармуляваў тое, у што многія даследчыкі цьіхо верылі радамі. Вялікія мовныя модэлі, пры ўсёй іх вразьліваючай магутнасьці, прадстаўляюць тупік на шляху да штучнага ўсеагульнага інтэлекта. Яны прадказваюць токены без разуменьня рэальнасьці.

Альтэрнатыва? Сусветныя модэлі. Сістэмы, якія вучацца мадэляваць, як працуе фізічны свят.

Фундамэнтальнае абмежаванне мовных модэляў

Мовныя модэлі адзлічаны ў пошуку закономернасьцяў у тэксьце. Яны могуць пісаць паэзію, наладжваць код і весьці разьмовы, якія здаюцца дзівоснасна чалавечымі. Але калі запытаць GPT-4 прадказаць, што станецца, калі вы кінуеце мяч, яна апіраецца на запамятаныя апісаньні, а не на сапраўдную фізічную інтуіцыю.

Гэта важна, тамуста інтэлект, як мы яго перажываем у біялагічным свеце, фундамэнтальна укаранены ў фізічнай рэальнасьці. Немаўля, якое вучыцца будаваць вежы з кубікаў, развівае інтуітыўнае разуменьне гравітацыі, раўнавагі і ўласцівасьцяў матэрыяляў задоўга да вывучэньня мовы. Гэтае ўтеленае пазнаньне, гэтае адчуванне таго, як функцыянуе свят, прадстаўляе сакаму тое, чаго не хапае сучасным сістэмам ШІ.

Сусветныя модэлі прагнуць запоўніць гэтую прагалу. Замест прадказаньня наступнага токена яны прадказваюць наступны кадр, наступны фізічны стан, наслідак дзеяньня.

Тры падыходы да разуменьня свету

Гонка па стварэньню ШІ, які разумее свят, разьдзелілася на тры розныя парадыгмы, кожная з сваімі перавагамі.

Трэцяе падыход, і можліва найпэрспэктыўніш, паёднывае оба: вывучэньне дынамікі свету з відэа, захоўваючы пры гэтым здольнасьць узаемадзейнічаць з асяроддзем і маніпуляваць ім. Менавіта тут гульні становяцца неабходнымі.

Гульні: ідэальны полігон для навучаньня

Відэаігры надаюць штось унікальнае: інтэрактыўныя асяроддзі з узгоднёнымі правіламі фізікі, бесканечнае разнаманітьё і чёткія показчыкі поспеху. На адрозьненьне ад робатэхніки ў рэальным свеце, якая патрабуе дарагосьцёнага абсталяваньня і ствараць праблемы бяспекі, гульні прапаноўваюць бесьмежныя памылкі без наслідкаў.

DeepMind рана адчуў гэты потэнцыял. Іх сістэма Genie можа генерыраваць абсалютна новыя ігравыя асяроддзі з адной выявы. Дайце ёй эскіз узроўня платформера, і яна ствара свят з узгоднёнай фізікай, дзе персанажы могуць скачаць, падаць і надлежным чынам узаемадзейнічаць з абьектамі.

Примечаниямі ў Genie з'яўляюцца не толькі генерацыя, але і разуменьне. Сістэма вывучае узагульненыя канцэпцыі фізікі, якія пераносяцца на розныя візуальныя стылі і тыпы гуль. Модэль, навучаная на платформерах у стылі Mario, развівае інтуіцыю пра гравітацыю і зітканьні, якая ў роўнай ступені прымяняецца да намаляваных інді-гуль і рэалістычных 3D асяроддзяў.

Ад гуль да робатаў

Кльконвеер ад гуль да робатэхніки не тэарэтычны. Кампаніі ўжо яго ўжываюць.

Ідэя, якая рухае гэты пераход, простая: фізіка гэта фізіка. Модэль, якая сапраўды разумее, як абьекты падаюць, слізаюць і зітыкаюцца ў відэаігры, павінна, пры надлежным адаптыраваньні, разумець тыя ж прынцыпы ў рэальным свеце. Візуальны вяскок змяняецца, але базавая дынаміка застаецца пастаяннай.

Tesla выкарыстоўвала версію гэтай стратэгіі са сваімі робатамі Optimus, спачатку навучаючы іх у сімуляцыі перад разгортаньнем у кантралюемых завадскіх асяроддзях. Абмежаваючы фактар заўсёды быў разрыў між змадэльаванай і рэальнай фізікай. Сусветныя модэлі, навучаныя на разнаманітных відэададзеных, могуць нарэшце закрыць гэты разрыў.

Ставка AMI Labs

Новае прыпінеманне Янна ЛеКуна, AMI Labs, прадстаўляе найбольшае адзінае інвеставанне ў даслідчаньне сусветных модэляў на дадзены момант. Зі 500 млн еўра еўрапейскага фінансаваньня і камандай, набранай з Meta, DeepMind і акадэмічных лабараторыяў, яны ідуць за тым, што ЛеКун называе "целевым ШІ".

Тэхнічная аснова пабудавана на Joint Embedding Predictive Architecture (JEPA), фрэймворку, які ЛеКун абараняў радамі. Замест генерыраваньня прадказаньняў на узроўні піксэляў, што патрабуе велізарных вылічальных рэсурсаў, JEPA вывучае абстрактныя ўяўленьні, якія захопляюць суцэльную структуру фізічных сістэм.

Думайце пра гэта так: чалавек, які назіраў, як мяч котыцца да скалы, не мадэлюе кожны піксэль траекторыі мяча. Замест гэтага мы прыпыняем абстрактную ситуацыю (мяч, край, гравітацыя) і прадказваем вынік (паданьне). JEPA прагне захаваць гэтае эфектыўнае, абстрактнае мышленьне.

Наслідкі для відэагенерацыі ШІ

Гэта траекторыя даслідчаньня глыбока важна для творчых ужыванкаў. Сучасныя генератары відэа ШІ вырабляюць вразьліваючыя вынікі, але хворюць ад часовай нёстабільнасьці. Персанажы трансформуюцца, фізіка парушаецца, абьекты з'яўляюцца і зьнікаюць.

Сусветныя модэлі прапаноўваюць пацэнцыйнае рашэньне. Генератар, які сапраўды разумее фізіку, павінен вырабляць відэа, дзе абьекты прытрымліваюцца узгоднёных правіл, дзе прадметы, якія падаюць, падаюць прадказальна, дзе адбіцці паводзяць сябе правільна.

Мы ўжо бачым раннія прыкметы гэтага переходу. GWM-1 Runway прадстаўляе іх ставку на сусветныя модэлі, а палепшаная фізічная сімуляцыя Veo 3.1 прапаноўвае, што Google ўключае падобныя прынцыпы.

Сувязь з AGI

Чамуста ўсё гэта мае значэньне для штучнага ўсеагульнага інтэлекта? Таму што сапраўдны інтэлект патрабуе больш чым маніпуляцыя мовай. Ён патрабуе разуменьня прычыны і наслідку, прадказаньня наслідкаў і плянаваньня дзеяньняў у фізічным свеце.

Даследчыкі, якія рухаюць гэту работу, аж уся ў боку каб не стаўяць на адзіну, што яны будуюць AGI. Але яны убяўляючы стаўяць, што без разуменьня свету мы не можамм пабудаваць сістэмы, якія сапраўды мыслят, а не проста аўтадоўрабляюць.

Што далей

Наступныя два годы будуць крытычнымі. Некалькі подзеяў, на якія варта звярнуць ўвагу:

• ○Першыя публічныя дэманстрацыі AMI Labs (чэкаюцца сярэдзіна 2026)
• ○Інтэграцыя сусветных модэляў у аснаўныя відэагенератары
• ○Кампаніі ігравых рухавіков (Unity, Unreal) дадаюць API сусветных модэляў
• ○Першыя спажывацкія робаты, якія выкарыстоўваюць сусветныя модэлі, навучаныя на гульнях

Рынак гуль, праектаваны перавышыць 500 мільярдаў долараў да 2030 года, прадстаўляе плодную пляцаўку для разгортаньня сусветных модэляў. Інвэстары бачаць сусветныя модэлі не толькі як навуковыя цікаўнасьці, але як фундамэнтальную тэхналогію для інтэрактыўных разваг, сімуляцыі і робатэхніки.

Тыхая рэвалюцыя

На адрозьненьне ад выбўхаўска шуму вакол ChatGPT, рэвалюцыя сусветных модэляў разгортаецца цьіхо ў даследчыя лабараторыія і ігравыя студыі. Няма вірусных дэма, няма штодзённых навін пра найноўшыя прарывы.

Але наслідкі могуць быць глыбшымі. Мовныя модэлі змяніли, як мы узаемадзейнічаем з тэксьцем. Сусветныя модэлі гліво змяніць, як ШІ узаемадзейнічае з рэальнасьцю.

Для тых з нас, хто працуе ў відэагенерацыі ШІ, гэтае даслідчаньне прадстаўляе як загрозу, так і магчымасьць. Наша цяперашнія інструменты могуць здацца прымітыўнымі ў ретраспектыве, як ранні CGI у параўнаньні з сучаснымі візуальнымі эфектамі. Але аснаўны прынцып, генерыванне візуальнага змесьцева праз вывучаныя модэлі, будзе толькі ставаць магутнішым, калі гэтыя модэлі пачнуць сапраўды разумець святы, якія яны ствараюць.

Шлях ад фізікі відэаігр да штучнага ўсеагульнага інтэлекта можа здацца звіліны. Але інтэлект, дзе б мы яго не знаходзіліся, ўзнікае з сістэм, якія разумеюць своё асяроддзе і могуць прадказаць наслідкі сваіх дзеяньняў. Гульні дадаюць нам бяспечны простор для пабудовы і тэставаньня такіх сістэм. Робаты, творчыя інструменты і, можліва, сапраўдная машыннае разуменьне будуць наступаць.