Svjetski Modeli Izvan Videa: Zašto Su Igre i Robotika Pravo Testno Polje za AGI

Kada je Yann LeCun najavio odlazak iz Mete kako bi pokrenuo AMI Labs s potporom od 500 milijuna eura, artikulirao je ono što su mnogi istraživači tiho vjerovali godinama. Veliki jezični modeli, unatoč svim svojim impresivnim mogućnostima, predstavljaju slijepu ulicu na putu prema općoj umjetnoj inteligenciji. Predviđaju tokene bez razumijevanja stvarnosti.

Alternativa? Svjetski modeli. Sustavi koji se uče simulirati kako funkcionira fizički svijet.

Osnovno Ograničenje Jezičnih Modela

Jezični modeli odličnu radi u pronalaženju uzoraka u tekstu. Mogu pisati poeziju, ispravljati kod i voditi razgovore koji se čine nevjerojatno ljudski. Ali zamolite GPT-4 da predvidi što će se dogoditi kada spustite loptu, a on će se oslanjati na zapamćene opise umjesto na pristinu fizičku intuiciju.

To je važno jer je inteligencija, kako je doživljavamo u biološkom svijetu, temelj u fizičkoj stvarnosti. Malo dijete koje se uči slagati kocke razvija intuitivno razumijevanje gravitacije, ravnoteže i svojstava materijala dugo prije nego što nauči jeziku. Ovo воплощённое znanja, ovo razumijevanje kako funkcioniraju stvari, predstavlja upravo ono što sadašnjim sustavima umjetne inteligencije nedostaje.

Svjetski modeli nastoje ispuniti tu prazninu. Umjesto da predviđaju sljedeći token, predviđaju sljedeću kadru, sljedeće fizičko stanje, sljedeću posljedicu akcije.

Tri Pristupa Razumijevanju Svijeta

Utrka za građenjem umjetne inteligencije koja razumije svijet podijelila se na tri različita paradigme, svaki sa svojim prednostima.

Treći pristup, i možda najobećavajući, kombinira oboje: uči se dinamika svijeta iz videa dok zadržava mogućnost interakcije s okruženjima i manipuliranja njima. Evo gdje igre postaju neophodne.

Igre: Savršeno Testno Polje

Videoigre pružaju nešto jedinstveno: interaktivna okruženja s dosljednim pravilima fizike, beskonačnom varijacijom i jasnim mjerama uspjeha. Za razliku od robotike u stvarnom svijetu, koja zahtijeva skupan hardver i predstavlja sigurnosne rizike, igre nude neograničene neuspjehe bez posljedica.

DeepMind je rano prepoznao ovaj potencijal. Njihov sustav Genius može generirati potpuno nova, igriva okruženja iz jedne slike. Dajte mu skicu razine platformera i on će stvoriti svijet s dosljednom fizikom gdje se likovi mogu pravilno skakati, padati i komunicirati s objektima.

Ono što čini Genija izvanrednim nije samo generiranje nego razumijevanje. Sustav uči se generalizabilnih fizičkih koncepata koji se prenose preko različitih vizualnih stilova i vrsta igara. Model treniran na platformerima u Mario stilu razvija intuiciju o gravitaciji i sudarima koja se podjednako primjenjuje na ručno crtane indie igre i realistična 3D okruženja.

Od Igara do Robota

Cijev igre-robotika nije teoretska. Firme je već koriste.

Uvid koji vodi ovaj prijelaz je jednostavan: fizika je fizika. Model koji zaista razumije kako objekti padaju, klize i sudaraju se u videoigri trebao bi, s odgovarajućom adaptacijom, razumijevati iste principe u stvarnom svijetu. Vizualni izgled se mijenja, ali temeljna dinamika ostaje konstantna.

Tesla je slijedila verziju ove strategije sa svojim Optimus robotima, prvo trenirajući u simulaciji prije primjene u kontroliranim proizvodnim okruženjima. Ograničavajući faktor uvijek je bila praznina između simulirane i stvarne fizike. Svjetski modeli trenirani na raznolikim video podacima mogao bi konačno most preko te praznine.

Opklada AMI Labs

Novo poduzeće Yanna LeCuna, AMI Labs, predstavlja najveću pojedinačnu investiciju u istraživanje svjetskih modela dosada. Sa 500 milijuna eura europskog financiranja i timom recrutiranog iz Meta, DeepMind i akademskih laboratorija, oni provode ono što LeCun naziva "ciljem vođenom umnom inteligencijom".

Tehnički temelji grade se na Arhitekturi Prediktivnog Zajedničkog Ugrađivanja (JEPA), okvir koji LeCun vodi godinama. Umjesto da generiram predviđanja na razini piksela, što zahtijeva ogromne računalne resurse, JEPA uči apstraktne reprezentacije koje hvataju bitnu strukturu fizičkih sustava.

Zamislite to na ovaj način: čovjek koji gleda loptu koja se kotrlja prema provaliji ne simulira svaki piksel putanje lopte. Umjesto toga prepoznaje apstraktnu situaciju (lopta, rub, gravitacija) i predviđa ishod (pad). JEPA nastoji obuhvatiti ovo učinkovito, apstraktno rasuđivanje.

Implikacije za Generiranje Videa AI

Ova istraživačka putanja ima duboke implikacije za kreativne aplikacije. Sadašnji AI generatori videa daju impresivne rezultate, ali pate od vremenske nedosljednosti. Likovi se metamorfoziraju, fizika se kvari, a objekti se pojavljuju i nestaju.

Svjetski modeli nude potenciјalno rješenje. Generator koji zaista razumije fiziku trebao bi proizvoditi videozapise gdje objekti slijede dosledna pravila, gdje ispušteni predmeti predvidljivo padaju, gdje se refleksije ponašaju ispravno.

Već vidimo rane znakove ovog prijelaza. GWM-1 Runway predstavlja njihovu opkladu na svjetske modele, a poboljšana fizička simulacija Veo 3.1 sugerira da Google ugrađuje slične principe.

Povezanost s AGI

Zašto sve ovo importa za opću umjetnu inteligenciju? Jer je prava inteligencija zahtijeva više od manipulacije jezikom. Zahtijeva razumijevanje uzroka i učinka, predviđanje posljedica i planiranje radnji u fizičkom svijetu.

Istraživači koji vode ovaj rad opreznो ne tvrde da grade AGI. Ali uvjerljivo argumentiraju da bez razumijevanja svijeta, ne možemo graditi sustave koji zaista razmišljaju umjesto da samo automatski popunjavaju.

Što Dolazi Dalje

Sljedećih dvije godine bit će kritične. Nekoliko razvoja za praćenje:

• ○Prve javne demonstracije AMI Labs (očekivane sredinom 2026)
• ○Integracija svjetskih modela u glavne generatore videa
• ○Tvrtke s motorima igara (Unity, Unreal) koje dodaju API-ja svjetskih modela
• ○Prvi potrošački roboti koji koriste svjetske modele trenirane u igrama

Tržište igara, predviđeno da će premašiti 500 milijardi dolara do 2030, predstavlja plodnu tlo za primjenu svjetskih modela. Ulagači vide svjetske modele ne samo kao istraživačke kuriozitete već kao temeljnu tehnologiju za interaktivnu zabavu, simulaciju i robotiku.

Tihа Revolucija

Za razliku od eksplozivnog hype-a oko ChatGPT-a, svjetska revolucija modela odvija se tiho u istraživačkim laboratorijima i studio igara. Nema viralnih demonstracija, nema dnevnog novinskog ciklusa o najnovijem prodoru.

Ali implikacije bi mogle biti dublje. Jezični modeli promijenili su kako komuniciramo s tekstom. Svjetski modeli mogli bi promijeniti kako se umna inteligencija suočava sa stvarnosti.

Za one od nas koji rade na generiranju videa AI, ovo istraživanje predstavlja i prijetnju i mogućnost. Naši trenutni alati mogu se u retrospektivi činiti primitivnim, kao rani CGI u usporedbi s modernim vizualnim efektima. Ali temeljni princip, generiranje vizualnog sadržaja kroz naučene modele, samo će biti moćnije jer se ti modeli počnu doista razumijevati svjetove koje stvaraju.

Put od fizike videoigara do opće umjetne inteligencije može se činiti zakrivljeno. Ali inteligencija, gdje god je nalazimo, proizlazi iz sustava koji razumiju svoje okruženje i mogu predvidjeti posljedice svojih radnji. Igre nam daju sigurno mjesto za gradnju i testiranje takvih sustava. Roboti, kreativni alati i možda pravo razumijevanje strojeva slijedit će.