Modeli svijeta: sljedeća granica u generiranju videa pomoću umjetne inteligencije

Od okvira prema svjetovima

Tradicionalni modeli generiranja videa rade poput sofisticiranih umjetnika flipbook-a. Predviđaju kako bi sljedeći okvir trebao izgledati na osnovu prethodnih, vođeni vašim tekstualnim upitom. Funkcionira, ali ima fundamentalna ograničenja.

Modeli svijeta koriste drugačiji pristup. Umjesto da pitaju "kako bi sljedeći okvir trebao izgledati?", pitaju "kako se ova okolina ponaša?" Razlika zvuči suptilno, ali mijenja sve.

Kada kažete prediktoru okvira da generira loptu koja se kotrlja niz brdo, on približno prikazuje kako bi to moglo izgledati na osnovu podataka za obuku. Kada kažete isto modelu svijeta, on simulira fiziku: gravitacija ubrzava loptu, trenje o travu je usporava, zamah je nosi niz suprotnu padinu.

Što Runway GWM-1 zapravo radi

Runway je izdao GWM-1 (General World Model 1) u prosincu 2025., i to je njihov prvi javni korak u simulaciju svijeta. Model stvara ono što nazivaju "dinamičnim simulacijskim okruženjima" — sustavima koji razumiju ne samo kako stvari izgledaju nego kako evoluiraju kroz vrijeme.

Vrijeme je važno. Ovo izdanje je došlo zajedno s tim da je Gen-4.5 zauzeo #1 na Video Arena, gurajući OpenAI Sora 2 na 4. mjesto. Ta dostignuća nisu nepovezana. Poboljšanja Gen-4.5 u fizičkoj točnosti, gdje se objekti kreću s realistično težinom, zamajem i silom, vjerojatno proizlaze iz istraživanja modela svijeta koja utječu na arhitekturu.

Zašto ovo mijenja sve

1. Fizika koja zaista funkcionira

Trenutni video modeli se bore s fizikom jer su fiziku samo vidjeli, nikada je nisu iskusili. Znaju da ispušteni objekt pada, ali aproksimiraju putanju umjesto da je izračunaju. Modeli svijeta okreću taj odnos.

Zato su fizičke simulacije Sora 2 impresionirali ljude: OpenAI je investirao ozbiljno u razumijevanje fizike. Modeli svijeta formaliziraju taj pristup.

2. Vremenska koherencija bez trikova

Najveći problem u AI videu je bila dosljednost kroz vrijeme. Likovi mijenjaju izgled, objekti se teleportiraju, okruženja se nasumično mijenjaju. Istraživali smo kako modeli uče zapamtiti lica kroz arhitekturne inovacije poput međuokvir pažnje.

Modeli svijeta nude elegantnije rješenje: ako simulacija prati entitete kao trajne objekte u virtualnom prostoru, oni se ne mogu nasumično promijeniti ili nestati. Lopta postoji u simuliranom svijetu. Ima svojstva (veličina, boja, pozicija, brzina) koja se zadržavaju dok ih nešto u simulaciji ne promijeni.

3. Duži videi postaju mogući

Trenutni modeli degradiraju s vremenom. Dvosmjerna difuzija CraftStory gura prema 5-minutnim videima dopuštajući kasnijim okvirima da utječu na ranije. Modeli svijeta pristupaju istom problemu drugačije: ako je simulacija stabilna, možete je pokrenuti koliko god želite.

Kvaka (uvijek postoji kvaka)

Modeli svijeta zvuče kao rješenje za svaki problem generiranja videa. Nisu, barem ne još.

Računski troškovi

Simuliranje svijeta je skupo. Predviđanje okvira može raditi na potrošačkim GPU-ima zahvaljujući radu projekata poput LTX-2. Simulacija svijeta zahtijeva održavanje stanja, praćenje objekata, fizičke izračune. To značajno povećava zahtjeve za hardverom.

Učenje pravila svijeta je teško

Naučiti model kako stvari izgledaju je jednostavno: pokažete milijune primjera. Naučiti model kako svijet funkcionira je mutnije. Fiziku se može naučiti iz video podataka, ali samo do određene mjere. Model vidi da ispušteni objekti padaju, ali ne može izvesti gravitacijske konstante iz gledanja snimaka.

Pitanja kreativne kontrole

Ako model simulira fiziku, tko odlučuje kakvu fiziku? Ponekad želite realističnu gravitaciju. Ponekad želite da vaši likovi lebde. Modeli svijeta trebaju mehanizme za nadjačavanje svojih simulacija kada kreatori žele nerealistične ishode.

Kamo ide industrija

Runway nije sam u ovom smjeru. Arhitekturni radovi iza difuzijskih transformera nagovještavali su taj pomak mjesecima. Pitanje je uvijek bilo kada, ne hoće li.

Korporativni interes je rječit. Runway je dao rani pristup Ubisoftu, Disney je uložio milijardu dolara s OpenAI za integraciju Sora. To nisu tvrtke zainteresirane za generiranje brzih isječaka za društvene mreže. Žele umjetnu inteligenciju koja može simulirati igračka okruženja, generirati dosljedne animirane likove, proizvoditi sadržaj koji izdržava profesionalnu provjeru.

Što to znači za kreatore

• ✓Dosljednost videa će se dramatično poboljšati
• ✓Sadržaj s fizikom postaje izvediv
• ✓Duže generiranje bez pada kvalitete
• ○Troškovi će初 biti viši od predviđanja okvira
• ○Mehanizmi kreativne kontrole još evoluiraju

Ako danas proizvodite AI video, modeli svijeta nisu nešto što morate odmah usvojiti. Ali su nešto vrijedno pratiti. Usporedba između Sora 2, Runway i Veo 3 koju smo objavili ranije ove godine će trebati ažuriranje kako se sposobnosti modela svijeta uvode na tim platformama.

Za praktičnu upotrebu upravo sada, razlike su važne za specifične slučajeve:

• Vizualizacija proizvoda: Modeli svijeta će ovdje izvrsno raditi. Točna fizika za objekte koji međusobno djeluju.
• Apstraktna umjetnost: Predviđanje okvira moglo bi zapravo biti bolje. Želite neočekivane vizualne rezultate, ne simuliranu stvarnost.
• Animacija likova: Modeli svijeta plus tehnike očuvanja identiteta mogli bi konačno riješiti problem dosljednosti.

Šira slika

Modeli svijeta predstavljaju sazrijevanje AI videa. Predviđanje okvira bilo je dovoljno za generiranje kratkih isječaka, vizualnih noviteta, demonstracija koncepta. Simulacija svijeta je ono što vam treba za pravi produkcijski rad, gdje sadržaj mora biti dosljedan, fizički uvjerljiv i proširiv.

To što je Runway pobijedio Google i OpenAI na mjerenjima s 100-članskim timom govori nam nešto važno: pravi arhitekturni pristup je važniji od resursa. Modeli svijeta mogli bi biti taj pristup. Ako se oklada Runway isplati, definirat će sljedeću generaciju video umjetne inteligencije.

A ako fizičke simulacije postanu dovoljno dobre? Više ne samo generiramo video. Gradimo virtualne svjetove, jednu simulaciju odjednom.