Modeli sveta: sledeća granica u generisanju videa pomoću veštačke inteligencije

Od kadrova ka svetovima

Tradicionalni modeli generisanja videa rade poput sofisticiranih umetnika flipbook-a. Predviđaju kako bi sledeći kadar trebalo da izgleda na osnovu prethodnih, vođeni tekstualnim upitom. Funkcioniše, ali ima fundamentalna ograničenja.

Modeli sveta koriste drugačiji pristup. Umesto da pitaju "kako bi sledeći kadar trebalo da izgleda?", pitaju "kako se ovo okruženje ponaša?" Razlika zvuči suptilno, ali menja sve.

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

Šta Runway GWM-1 zapravo radi

Runway je izdao GWM-1 (General World Model 1) u decembru 2025., i to je njihov prvi javni korak u simulaciju sveta. Model stvara ono što nazivaju "dinamičkim simulacionim okruženjima" — sistemima koji razumeju ne samo kako stvari izgledaju nego kako evoluiraju kroz vreme.

Vreme je važno. Ovo izdanje je došlo zajedno sa tim da je Gen-4.5 zauzeo #1 na Video Arena, gurajući OpenAI Sora 2 na 4. mesto. Ta dostignuća nisu nepovezana. Poboljšanja Gen-4.5 u fizičkoj tačnosti, gde se objekti kreću sa realističnom težinom, zamajem i silom, verovatno proističu iz istraživanja modela sveta koja utiču na arhitekturu.

Zašto ovo menja sve

1. Fizika koja zaista funkcioniše

Trenutni video modeli se bore sa fizikom jer su fiziku samo videli, nikada je nisu iskusili. Znaju da ispušteni objekat pada, ali aproksimiraju putanju umesto da je izračunaju. Modeli sveta okreću taj odnos.

Zato su fizičke simulacije Sora 2 impresionirale ljude: OpenAI je ozbiljno investirao u razumevanje fizike. Modeli sveta formalizuju taj pristup.

2. Vremenska koherencija bez trikova

Najveći problem u AI video je bila doslednost kroz vreme. Likovi menjaju izgled, objekti se teleportuju, okruženja se nasumično menjaju. Istraživali smo kako modeli uče da zapamte lica kroz arhitekturne inovacije poput međukadar pažnje.

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

3. Duži video postaju mogući

Trenutni modeli degradiraju sa vremenom. Dvosmerna difuzija CraftStory gura ka 5-minutnim video snimcima dopuštajući kasnijim kadrovima da utiču na ranije. Modeli sveta pristupaju istom problemu drugačije: ako je simulacija stabilna, možete je pokrenuti koliko god želite.

Kvaka (uvek postoji kvaka)

Modeli sveta zvuče kao rešenje za svaki problem generisanja video snimaka. Nisu, bar ne još.

Računski troškovi

Simuliranje sveta je skupo. Predviđanje kadrova može da radi na potrošačkim GPU-ovima zahvaljujući radu projekata poput LTX-2. Simulacija sveta zahteva održavanje stanja, praćenje objekata, fizičke izračune. To značajno povećava hardverske zahteve.

Učenje pravila sveta je teško

Naučiti model kako stvari izgledaju je jednostavno: pokažete milione primera. Naučiti model kako svet funkcioniše je mutnije. Fiziku se može naučiti iz video podataka, ali samo do određene mere. Model vidi da ispušteni objekti padaju, ali ne može da izvede gravitacione konstante iz gledanja snimaka.

Pitanja kreativne kontrole

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

Kuda ide industrija

Runway nije sam u ovom pravcu. Arhitekturni radovi iza difuzijskih transformera nagovestili su taj pomak mesecima. Pitanje je uvek bilo kada, ne hoće li.

Korporativni interes je rečit. Runway je dao rani pristup Ubisoftu, Disney je uložio milijardu dolara sa OpenAI za integraciju Sora. To nisu kompanije zainteresovane za generisanje brzih isečaka za društvene mreže. Žele veštačku inteligenciju koja može da simulira igračka okruženja, generiše dosledne animirane likove, proizvodi sadržaj koji izdržava profesionalnu proveru.

Šta to znači za kreatore

• ✓Doslednost video snimka će se dramatično poboljšati
• ✓Sadržaj sa fizikom postaje izvodiv
• ✓Duže generisanje bez pada kvaliteta
• ○Troškovi će initially biti viši od predviđanja kadrova
• ○Mehanizmi kreativne kontrole još evoluiraju

Ako danas proizvodite AI video, modeli sveta nisu nešto što morate odmah da usvojite. Ali su nešto vredno pratiti. Poređenje između Sora 2, Runway i Veo 3 koje smo objavili ranije ove godine će trebati ažuriranje kako se sposobnosti modela sveta uvode na tim platformama.

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

• Vizualizacija proizvoda: Modeli sveta će ovde izvrsno raditi. Tačna fizika za objekte koji međusobno deluju.
• Apstraktna umetnost: Predviđanje kadrova moglo bi zapravo biti bolje. Želite neočekivane vizuelne rezultate, ne simuliranu stvarnost.
• Animacija likova: Modeli sveta plus tehnike očuvanja identiteta mogli bi konačno da reše problem doslednosti.

Šira slika

Modeli sveta predstavljaju sazrevanje AI video snimaka. Predviđanje kadrova bilo je dovoljno za generisanje kratkih isečaka, vizuelnih noviteta, demonstracija koncepata. Simulacija sveta je ono što vam treba za pravi produkcijski rad, gde sadržaj mora biti dosledno, fizički uverljiv i proširiv.

To što je Runway pobedio Google i OpenAI na merenjima sa 100-članskim timom govori nam nešto važno: pravi arhitekturni pristup je važniji od resursa. Modeli sveta mogli bi biti taj pristup. Ako se opklada Runway isplati, definiše sledeću generaciju video veštačke inteligencije.

A ako fizičke simulacije postanu dovoljno dobre? Više ne samo generišemo video. Gradimo virtuelne svetove, jednu simulaciju odjednom.