Штучний інтелект навчився будувати віртуальні світи з фізикою і простором

Штучний інтелект більше не зводиться лише до чат-ботів і текстових помічників. Найбільші інвестиції та дослідницькі зусилля галузі дедалі помітніше зміщуються до систем нового типу — так званих світових моделей. Замість відповіді черговим абзацом тексту вони мають відтворювати логіку фізичного світу: приймати дію користувача чи робота і прораховувати, що станеться далі.

Ідея виникла не на порожньому місці. Великі мовні моделі добре впоралися з абстрактними знаннями й закономірностями тексту, але майже не мають досвіду взаємодії з простором. Нейромережа може детально описати, як стакан падає зі столу, проте не розуміє руху, форми й гравітації так, як їх розуміє людина, яка з дитинства спостерігає і відчуває ці явища на власному досвіді. Саме цей розрив і мають заповнити світові моделі.

На відміну від чат-ботів, які спершу отримали зручний інтерфейс, а вже потім шукали практичне застосування, розробники світових моделей рухаються від конкретних задач. Одні проєкти навчають роботів орієнтуватися у фізичному середовищі, інші генерують тривимірні сцени для ігор і кінематографу, треті дозволяють проводити наукові експерименти у віртуальному просторі без дорогих дослідів у реальності.

За останній рік ринок виплеснувся далеко за межі лабораторій. Google Deep­Mind представила Genie 3, здатну будувати інтерактивні середовища в реальному часі на основі технологій генерації відео. World Labs випустила Mar­ble — інструмент, що перетворює текст, зображення та ролики на простори для вільного огляду й експорту у вигляді тривимірних матеріалів. Run­way розробила сімейство GWM‑1 із трьох спеціалізованих моделей: перша підтримує переміщення всередині безперервно генерованої сцени, друга створює цифрових персонажів із зовнішністю й голосом, третя призначена для перевірки алгоритмів керування роботами.

Комерційний інтерес підкріплений масштабними грошима. World Labs і компанія Advanced Machine Intel­li­gence залучили приблизно по мільярду доларів кожна, Run­way отримала ще 315 мільйонів доларів. Частина інвесторів пов’язує напрям із пошуком загального штучного інтелекту, однак найближчі плани компаній набагато прагматичніші: підготовка роботів, виробництво ігрового та кінематографічного контенту, моделювання фізичних процесів.

Технічно більшість комерційних розробок спирається на генерацію відео, але з принциповою відмінністю від звичних інструментів. Класичні дифузійні відеомоделі створюють цілу послідовність кадрів одразу й погано пристосовані до втручань у реальному часі. Розробники світових моделей використовують авторегресійну дифузію: нейромережа обробляє один чи кілька кадрів підряд, негайно показує результат і одразу враховує нову команду. Якщо користувач повертає камеру або взаємодіє з об’єктом, зображення оновлюється відповідно до дії — принцип, набагато ближчий до відеогри, ніж до переписки.

Сам термін «світова модель» залишається розмитим і дедалі більше перетворюється на маркетинговий ярлик