Svetski modeli posle videa: zašto su igre i robotika pravo iskustvo za AGI

Kada je Yan LeCun objavio svoj odlazak iz Meta kako bi pokrenuo AMI Labs sa 500 miliona evra financiranja, formulisao je ono u šta su mnogi istraživači dugo šutke verili. Veliki jezički modeli, uprkos svojoj impresivnoj snazi, predstavljaju ćorsokak na putu ka veštačkoj opšoj inteligenciji. Oni predviđaju tokene bez razumevanja realnosti.

Alternativa? Svetski modeli. Sistemi koji se uče da simuliraju kako funkcioniše fizički svet.

Temeljno ograničenje jezičkih modela

Jezički modeli su odličnih na pronalaženju šablona u tekstu. Mogu da pišu poeziju, otklanjaju greške i vode razgovore koji se čine iznenađujuće ljudski. Ali ako pitaš GPT-4 da predvidi šta će se desiti kada bacite loptu, oslanja se na zapamćene opise umesto na pravu fizičku intuiciju.

To je važno jer je inteligencija, kako je doživljavamo u biološkom svetu, fundamentalno zasnovana u fizičkoj stvarnosti. Malo dete koje se uči da gradi kule od blokova razvija intuitivno razumevanje gravitacije, ravnoteže i osobina materijala mnogo pre nego što nauči jezik. Ovo utjelovljeno znanje, ovo osećanje kako svet funkcioniše, predstavlja upravo ono što nedostaje sadašnjim AI sistemima.

Svetski modeli imaju cilj da popune ovaj jaz. Umesto da predviđaju sledeći token, oni predviđaju sledeći kadar, sleće fizičko stanje, posledicu radnje.

Tri pristupa razumevanju sveta

Trka za izgradnjom AI koji razume svet podeljena je na tri različite paradigme, svaka sa svojim prednostima.

Treći pristup, i možda najobečavajući, kombinuje oba: učenje svetske dinamike iz videa zadržavajući mogućnost interakcije sa okruženjem i manipulisanja njim. Tu igre postaju neophodne.

Igre: Savršeni test terenski poligon

Video igre pružaju nešto jedinstveno: interaktivna okruženja sa konzistentnim pravilima fizike, beskonačnu raznolikost i jasne mere uspeha. Za razliku od robotike u realnom svetu, koja zahteva skupu opremu i stvara probleme bezbednosti, igre nude neograničene greške bez posledica.

DeepMind je rano prepoznao ovaj potencijal. Njihov sistem Genie može generisati potpuno nova igrivačka okruženja iz jedne slike. Dajte joj skicu platforme nivo i ona kreira svet sa konzistentnom fizikom gde likovi mogu skakati, padati i na odgovarajući način stupati u interakciju sa objektima.

Ono što je naucno kod Genie nije samo generisanje već razumevanje. Sistem uči uopštive koncepte fizike koji se prenose na različite vizuelne stilove i tipove igara. Model obučen na platformama u stilu Mario razvija intuiciju o gravitaciji i sudarima koja podjednako važi za ručno crtane indie igre i realistična 3D okruženja.

Od igara do robota

Cevovod od igara do robotike nije teorijski. Kompanije ga već koriste.

Ideja koja pokreće ovaj prelazak je prosta: fizika je fizika. Model koji zaista razume kako objekti padaju, klize i sudaraju se u video igri, trebalo bi, sa odgovarajućom adaptacijom, da razume iste principe u stvarnom svetu. Vizuelni izgled se menja, ali osnovna dinamika ostaje konstanta.

Tesla je koristila verziju ove strategije sa svojim Optimus robotima, prvo obučavajući ih u simulaciji pre nego što ih primeni u kontrolisanim fabričkim okruženjima. Ograničavajući faktor je uvek bio jaz između simulirane i stvarne fizike. Svetski modeli obučeni na raznovrsnim video podacima mogu konačno mostiti taj jaz.

Oklada AMI Labs

Novo preduzeće Yana LeCun, AMI Labs, predstavlja najveće samačko ulaganje u istraživanje svetskih modela do sada. Sa 500 miliona evra evropskog finansiranja i timom regrutovanim iz Meta, DeepMind i akademskih laboratorija, oni traže ono što LeCun naziva "ciljna AI".

Tehnička osnova je izgrađena na Joint Embedding Predictive Architecture (JEPA), okviru koji LeCun godinama brani. Umesto generisanja predviđanja na nivou piksela, što zahteva ogromne računske resurse, JEPA uči apstraktne reprezentacije koje hvataju suštinsku strukturu fizičkih sistema.

Razmisli o tome ovako: čovek koji gleda loptu koja se kotrlja prema litici ne simulira svaki piksel putanje lopte. Umesto toga, prepoznajemo apstraktnu situaciju (lopta, rub, gravitacija) i predviđamo ishod (pad). JEPA ima za cilj da uhvati ovo efikasno, apstraktno razmišljanje.

Implikacije za AI video generisanje

Ova putanja istraživanja je duboko važna za kreativne primene. Sadašnji AI video generatori proizvode impresivne rezultate, ali pate od vremenske neusaglašenosti. Likovi se transformuju, fizika se prekida, objekti se pojavljuju i nestaju.

Svetski modeli pružaju potencijalno rešenje. Generator koji zaista razume fiziku trebalo bi da proizvede videos gde objekti poštuju konzistentna pravila, gde padajući predmeti padaju predvidivo, gde se refleksije ponašaju ispravno.

Već vidimo rane znake ovog prelaska. GWM-1 Runway predstavlja njihovu okladu na svetske modele, a poboljšana fizička simulacija Veo 3.1 sugeriše da Google uključuje slične principe.

Veza sa AGI

Zašto je sve ovo važno za veštačku opštu inteligenciju? Jer prava inteligencija zahteva više od jezika. Zahteva razumevanje uzroka i posledice, predviđanja ishoda i planiranja akcija u fizičkom svetu.

Istraživači koji vode ovaj rad su oprezni da ne tvrde da grade AGI. Ali ubedljivo tvrde da bez razumevanja sveta ne možemo da izgradimo sisteme koji stvarno razmišljaju umesto da samo dopunjavaju.

Šta je sledeće

Sledeće dve godine će biti kritične. Nekoliko razvojnjih koje treba da posmatramo:

• ○Prve javne demonstracije AMI Labs (očekuje se sredina 2026)
• ○Integracija svetskih modela u glavne video generatore
• ○Kompanije za video motore (Unity, Unreal) dodaju API-je svetskih modela
• ○Prvi potrošački roboti koristeći svetske modele obučene na igrama

Tržište igara, proraščeno da premaši 500 milijardi dolara do 2030, predstavlja plodno polje za primenu svetskih modela. Investitori vide svetske modele ne samo kao naučne znatiželje, već kao temeljnu tehnologiju za interaktivnu zabavu, simulaciju i robotiku.

Tiha revolucija

Za razliku od eksplozivne buke oko ChatGPT, revolucija svetskih modela se odvija tiho u istraživačkim laboratorijama i igricama studija. Nema viralnih demonstracija, nema dnevnih vesti o najnovijim probijem.

Ali implikacije mogu biti dublje. Jezički modeli su promenili kako stupamo u interakciju sa tekstom. Svetski modeli bi mogao da promene kako AI stupajuinterakciju sa stvarnosti.

Za one od nas koji radimo na AI video generisanju, ovo istraživanje predstavlja i pretnju i priliku. Naši trenutni alati mogu da se čine primitivni u retrospektivi, kao rani CGI u poređenju sa modernim vizuelnim efektima. Ali temeljni princip, generisanja vizuelnog sadržaja kroz naučene modele, će biti samo sve moćniji što ovi modeli počnu da stvarno razumeju svetove koje kreiraju.

Put od fizike video igara do veštačke opšte inteligencije može da izgleda izvitoperen. Ali inteligencija, gde god je pronašli, proizilazi iz sistema koji razumevaju svoje okruženje i mogu predvideti posledice svojih akcija. Igre nam daju bezbedan prostor za izgradnju i testiranje takvih sistema. Roboti, kreativni alati i možda prava mašinska inteligencija će slediti.