Modelele lumii dincolo de video: De ce jocurile și robotica sunt adevăratele terenuri de test pentru AGI

Când Yann LeCun și-a anunțat plecarea de la Meta pentru a lansa AMI Labs cu finanțare de 500 de milioane de euro, a articulate ceea ce mulți cercetători crezuseră în tăcere de ani. Modelele lingvistice mari, pentru toate capacitățile lor impresionante, par să fie o fundătură pe calea către inteligența artificială generală. Prezic cuvinte fără a înțelege realitatea.

Alternativa? Modelele lumii. Sisteme care învață să simuleze cum funcționează lumea fizică.

Limitarea fundamentală a modelelor lingvistice

Modelele lingvistice excela în potrivirea de modele pe text. Pot scrie poezie, depana cod și ține conversații care se simt remarcabil omenești. Dar întreabă GPT-4 ce se întâmplă când arunci o minge, și se bazează pe descrieri memorate mai degrabă decât intuiție fizică genuină.

Aceasta contează pentru că inteligența, așa cum o experimentăm în lumea biologică, este fundamental înrădăcinată în realitate fizică. Un copil care învață să stivuiască cuburi dezvoltă înțelegere intuitivă a gravitației, echilibrului și proprietăților materiale cu mult înainte de a învăța limbajul. Această cognițiune întruchipată, acest simț al modului în care funcționează lumea, reprezintă exact ceea ce sistemele AI actuale nu au.

Modelele lumii au scopul de a umple această lacună. În loc să prezică cuvântul următor, prezic cadrul următor, starea fizică următoare, consecința urmează a unei acțiuni.

Trei abordări ale înțelegerii lumii

Cursa de a construi AI care să înțeleagă lumea s-a împărțit în trei paradigme distincte, fiecare cu puncte forte diferite.

A treia abordare, și poate cea mai promițătoare, combină amândouă: învață dinamica lumii din video, menținând în același timp capacitatea de a interacționa cu mediul și de a-l manipula. Aceasta este locul în care jocurile devin esențiale.

Jocuri: Terenul de antrenament perfect

Jocurile video oferă ceva unic: medii interactive cu reguli de fizică consistente, variație infinită și valori de succes clare. Spre deosebire de robotica din lumea reală, care necesită hardware scump și prezintă preocupări de siguranță, jocurile oferă eșec nelimitat fără consecințe.

DeepMind a recunoscut devreme acest potențial. Sistemul lor Genie poate genera medii complet noi jucabile dintr-o singură imagine. Dă-i o schiță a unui nivel platformer și creează o lume cu fizică consistentă în care personajele pot sări, cădea și interacționa corect cu obiectele.

Ceea ce face Genie remarcabil nu este doar generarea, ci înțelegerea. Sistemul învață concepte fizice generalizabile care se transferă pe diferite stiluri vizuale și tipuri de jocuri. Un model antrenat pe platforme în stil Mario dezvoltă intuiții despre gravitație și coliziune care se aplică în mod egal jocurilor indie desenate manual și mediilor 3D realiste.

De la jocuri la roboți

Conducta de la jocuri la robotică nu este teoretică. Companiile o folosesc deja.

Perspectiva care conduce această tranziție este simplă: fizica este fizică. Un model care înțelege cu adevărat cum cad, alunecă și se ciocnesc obiectele într-un joc video ar trebui, cu adaptare corespunzătoare, să înțeleagă aceleași principii în lumea reală. Aparența vizuală se schimbă, dar dinamica de bază rămâne constantă.

Tesla a urmat o versiune a acestei strategii cu roboții Optimus, antrenând mai întâi în simulare înainte de a se implementa în medii de fabrică controlate. Factorul de limitare a fost întotdeauna decalajul dintre fizica simulată și cea din lumea reală. Modelele mondiale antrenate pe date video diverse ar putea în sfârșit traversa acest gol.

Pariu AMI Labs

Noua inițiativă a lui Yann LeCun, AMI Labs, reprezintă cea mai mare investiție unică în cercetarea modelelor mondiale până acum. Cu finanțare europeană de 500 de milioane de euro și o echipă recrutată din Meta, DeepMind și laboratoare academice, ei urmăresc ceea ce LeCun numește "AI condus de obiective."

Fundația tehnică se construiește pe Joint Embedding Predictive Architecture (JEPA), un cadru pe care LeCun l-a susținut de ani. Decât să genereze predicții la nivel de pixel, ceea ce necesită resurse computaționale enorme, JEPA învață reprezentări abstracte care captează structura esențială a sistemelor fizice.

Gândește-te la asta în felul acesta: o ființă umană care privește o minge care se rostogolește către o prăpastie nu simulează fiecare pixel al traiectoriei mingii. În schimb, recunoaștem situația abstractă (minge, margine, gravitație) și prezice rezultatul (cădere). JEPA urmărește să capteze acest raționament eficient, abstract.

Implicații pentru generarea video AI

Această traiectorie de cercetare contează profund pentru aplicațiile creative. Generatorii de video AI actuali produc rezultate impresionante, dar suferă de incoerență temporală. Caracterele se morfează, fizica se rupe și obiectele apar și dispar.

Modelele mondiale oferă o soluție potențială. Un generator care înțelege cu adevărat fizica ar trebui să producă videoclipuri în care obiectele respectă reguli consistente, în care articolele aruncate cad previzibil, în care reflexiile se comportă corect.

Vedem deja semnele timpurii ale acestei tranziții. GWM-1 al Runway reprezintă pariu lor pe modelele mondiale, iar simularea fizică îmbunătățită a Veo 3.1 sugerează că Google încorporează principii similare.

Conexiunea AGI

De ce contează toate acestea pentru inteligența artificială generală? Pentru că inteligența genuină necesită mai mult decât manipulare lingvistică. Necesită înțelegerea cauzei și efectului, prezicerea consecințelor și planificarea acțiunilor într-o lume fizică.

Cercetatorii care conduc această muncă sunt atenți să nu pretindă că construiesc AGI. Dar argumentează în mod convingător că fără înțelegerea lumii, nu putem construi sisteme care cu adevărat gândesc mai degrabă decât doar completează automat.

Ce vine mai departe

Următorii doi ani vor fi critici. Câteva dezvoltări la care trebuie să fim atenți:

• ○Demonstrații publice première AMI Labs (așteptate la mijlocul anului 2026)
• ○Integrarea modelelor mondiale în generatoarele de video majore
• ○Companiile de motoare de jocuri (Unity, Unreal) adaugă API-uri de model mondial
• ○Primii roboți de consum care utilizează modelele mondiale antrenate pe jocuri

Piața de jocuri, proiectată să depășească 500 de miliarde de dolari până în 2030, reprezintă teren fertil pentru desfășurarea modelelor mondiale. Investitorii văd modelele mondiale nu doar ca curiozități de cercetare, ci ca tehnologie fundamentală pentru divertisment interactiv, simulare și robotică.

Revoluția tăcută

Spre deosebire de zvonurile explozive în jurul ChatGPT, revoluția modelelor mondiale se desfășoară liniștit în laboratoare de cercetare și studiouri de jocuri. Nu sunt demo-uri virale, nu sunt cicluri de știri zilnice despre cel mai recent progres.

Dar implicațiile pot fi mai profunde. Modelele lingvistice au schimbat modul în care interacționez cu textul. Modelele mondiale ar putea schimba modul în care AI interacționează cu realitatea.

Pentru cei dintre noi care lucrăm în generarea video AI, această cercetare reprezintă atât amenință, cât și oportunitate. Instrumentele noastre actuale ar putea părea primitive în privința ulterioară, ca CGI timpuriu în comparație cu efectele vizuale moderne. Dar principiul de bază, generarea de conținut vizual prin modele învățate, va deveni doar mai puternic pe măsură ce acele modele încep să înțeleagă cu adevărat lumile pe care le creează.

Calea de la fizica jocurilor video la inteligența artificială generală poate părea indirectă. Dar inteligența, oriunde o găsim, apare din sisteme care înțeleg mediul lor și pot prezice consecințele acțiunilor lor. Jocurile ne dau un spațiu sigur pentru a construi și testa astfel de sisteme. Roboții, instrumentele creative și poate înțelegerea mașinii genuine vor urma.