Modele świata wychodzą z cienia. Nadchodzi AI, która rozumie fizykę rzeczywistości

Wyobraź sobie, że robot kuchenny nie uczy się na tysiącach godzin filmów z YouTube, lecz na cyfrowej kopii właśnie twojego mieszkania. Zamiast przewidywać kolejne słowo w zdaniu, model przewiduje kolejny stan świata: przesunięcie kubka, tor upadającego jabłka, reakcję przechodnia na mokrej jezdni. To właśnie modele świata, najgorętszy dziś kierunek w sztucznej inteligencji, który z laboratoriów zaczyna przenikać do codzienności.

Różnica względem wielkich modeli językowych jest fundamentalna. LLM dostaje tekst i zgaduje następny token; model świata dostaje wizualny stan otoczenia, zdjęcie, klatkę wideo, chmurę punktów, i generuje jego prawdopodobną kontynuację w trzech wymiarach. Oliver Cameron z laboratorium Odyssey ujmuje to krótko: to symulacje, które wyglądają i zachowują się jak rzeczywistość. Kluczowa jest przy tym nie tyle wierność grafiki, ile zrozumienie fizyki, przyczynowości i tego, że inne obiekty oraz ludzie reagują na nasze działania, jak podkreśla Jamie Shotton z Wayve, firmy budującej takie modele dla samochodów.

Praktyczne zastosowania sprowadzają się do jednego słowa: trening bez ryzyka. Brian McClendon z Niantic Spatial, spółki wyrosłej z twórców Pokémon Go, opisuje proces, w którym ktoś fotografuje pomieszczenie, generuje jego trójwymiarowy model, a następnie przepuszcza robota przez miliony symulacji, zanim ten postawi pierwszy krok w realnym świecie. Wayve z kolei zasila swój generatywny model nagraniami z kamer samochodowych, odtwarzając niebezpieczne drogi i warunki, których testowanie na żywo byłoby zbyt kosztowne lub po prostu zbyt groźne.

Ciekawostką, i zarazem przestrogą, jest geneza danych. Aplikacja, w której gracze w 2016 roku skanowali swoje otoczenie w pogoni za wirtualnymi stworzeniami, dostarczyła materiału, który dziś pomaga maszynom poruszać się w przestrzeni. Współczesny odpowiednik tego procesu wygląda mniej romantycznie: to gigowa praca polegająca na nagrywaniu własnych rąk składających pranie czy zmywających naczynia. Im lepsze modele świata chcemy mieć, tym więcej fizycznego życia musi zostać zdigitalizowane, i tym więcej pytań o prywatność oraz godziwą zapłatę za dane.

Stawka jest ogromna, a pieniądze płyną szerokim strumieniem. Yann LeCun, były główny naukowiec AI w Meta, pozyskał ponad miliard dolarów na własny startup zajmujący się rozumieniem świata fizycznego. World Labs Fei-Fei Li zostało przejęte przez AMD za ponad 8 miliardów dolarów. Google prześciga się w kolejnych demonstracjach, a Tencent inwestuje w modele świata z myślą o grach, gdzie fizyka i renderowanie 3D są chlebem powszednim. Rok 2027 ma być zdaniem analityków przełomowy dla robotyki domowej i pojazdów bez kierowcy.

Najważniejsze, że nie będziemy musieli z tymi systemami wchodzić w bezpośrednią interakcję, by odczuć ich wpływ. Modele świata staną się niewidzialną warstwą infrastruktury, czymś, co decyduje, jak zachowa się taksówka na skrzyżowaniu i jak pewnie ramię robota sięgnie po szklankę. Warto więc zrozumieć, w jaki sposób te maszyny myślą, zanim zaczną myśleć o naszym otoczeniu szybciej niż my sami.

Podsumowanie: Modele świata przenoszą AI z języka w przestrzeń 3D, dając robotom i automobilom cyfrowe poligony treningowe odwzorowujące fizykę. Za technologią stoją wielkie nazwiska i wielkie pieniądze, ale jej paliwem są dane z naszego realnego życia, dlatego warto patrzeć na ten rozwój nie tylko z fascynacją, lecz także z czujnością.