विश्व मॉडल: एआई जो सब कुछ सिम्युलेट करने का वादा करता है, या कम से कम कुछ बहुत अच्छे वीडियो बनाता है

पिछले कुछ वर्षों में, हम सभी ने उस चीज़ का एक क्रैश कोर्स प्राप्त किया है जिसे कंपनियाँ कृत्रिम बुद्धिमत्ता कहती हैं - जिसका अर्थ ज्यादातर बड़े भाषा मॉडल (LLM) रहा है। लेकिन LLM अब एकमात्र AI श्रेणी नहीं है जो भारी फंडिंग और उत्साहपूर्ण प्रचार आकर्षित कर रही है। प्रवेश करें "विश्व मॉडल", जिनका उद्देश्य भौतिक दुनिया का अनुकरण करना है, या कम से कम इसका एक उपयोगी अनुमान। केवल चैट करने के बजाय, ये सिस्टम आपको एक 3D वातावरण में इधर-उधर घूमने देते हैं जैसे कि यह एक वीडियो गेम हो, लेकिन अधिक गणित और कम लूट बक्से के साथ।

यह समझने के लिए कि विश्व मॉडल में क्या अलग है, Ars ने तीन विशेषज्ञों से बात की: MIT से विंसेंट सिट्ज़मैन, Runway से अनास्तासिस जर्मनिडिस, और World Labs से बेन मिल्डेनहॉल। उनकी सहमति: जबकि LLM ने एक चैट इंटरफ़ेस से शुरुआत की और फिर एक उपयोग के मामले की तलाश की, विश्व मॉडल विशिष्ट अनुप्रयोगों - रोबोटिक्स, अनुसंधान, संपत्ति निर्माण - से शुरू हो रहे हैं और अभी तक यह पूरी तरह से नहीं समझ पाए हैं कि इंटरफ़ेस कैसा दिखना चाहिए। इसे AI के रूप में सोचें जो पीछे की ओर काम कर रहा है, जो ब्रांड के अनुरूप है।

हर कोई LLM को सामान्य बुद्धिमत्ता के मार्ग के रूप में नहीं बेचा गया है। पूर्व मेटा मुख्य AI वैज्ञानिक यान लेकुन ने Wired को बताया कि LLM के मानव-स्तरीय बुद्धिमत्ता प्राप्त करने का विचार "पूरी तरह से बकवास" है। फी-फी ली, कंप्यूटर विज़न अग्रणी और World Labs के सह-संस्थापक, ने लिखा कि LLM "अंधेरे में शब्दकार हैं; वाक्पटु लेकिन अनुभवहीन, जानकार लेकिन अधार्मिक।" यहां तक कि Hugging Face के CEO क्लेम डेलांग्यू सोचते हैं कि हम एक "LLM बुलबुले" में हैं जो अगले साल फट सकता है। तो विश्व मॉडल नई गर्म चीज़ हैं, कम से कम जब तक कुछ और गर्म नहीं आ जाता।

विश्व मॉडल ने पहले ही आकर्षक फंडिंग आकर्षित की है: World Labs और AMI ने कथित तौर पर फरवरी और मार्च में लगभग $1 बिलियन प्रत्येक जुटाया, और Runway ने फरवरी में $315 मिलियन जुटाए। यह एक ऐसे शब्द के लिए बहुत सारा पैसा है जो, जैसा कि सिट्ज़मैन स्वीकार करते हैं, "निश्चित रूप से अतिभारित" है। उनकी परिभाषा: कोई भी मॉडल जो एक इंटरैक्शन लेता है और अनुकरण करता है कि आगे क्या होता है। Runway की परिभाषा जोड़ती है कि यह एक वातावरण का आंतरिक प्रतिनिधित्व बनाता है। मिल्डेनहॉल कहते हैं कि LLM से मुख्य अंतर निरंतर, रीयल-टाइम इंटरैक्शन है - "A फिर B फिर A फिर B" का टर्न-आधारित टेक्स्ट एक्सचेंज नहीं। फी-फी ली तीन मानदंड प्रदान करती हैं: अवधारणात्मक, ज्यामितीय और भौतिक स्थिरता; मल्टीमॉडलिटी; और इनपुट क्रियाओं के आधार पर अगली स्थितियों को आउटपुट करने की क्षमता।

लेकिन "विश्व मॉडल" एक ब्रांडिंग शब्द भी बनता जा रहा है। कंपनियाँ इसे एक्शन-कंडीशन्ड वीडियो जनरेशन से लेकर 3D एसेट क्रिएशन से लेकर रोबोट पॉलिसी मूल्यांकन तक हर चीज़ पर चिपका रही हैं। अभी के लिए, सिट्ज़मैन कहते हैं, "ज्यादातर लोग जब 'विश्व मॉडल' कहते हैं तो उनका मतलब पिक्सल उत्पन्न करना होता है" - यानी, क्रियाओं पर कंडीशन्ड यथार्थवादी वीडियो। यह वीडियो जनरेशन मॉडल का एक स्वाभाविक विस्तार है, जो Runway पहले से करता है। जैसा कि जर्मनिडिस ने कहा, जब उन्होंने अपने वीडियो टूल्स में कैमरा नियंत्रण जोड़ा, "यह लगभग एक वीडियो गेम जैसा महसूस होने लगा।"

तकनीकी चुनौती: अधिकांश वीडियो डिफ्यूजन मॉडल एक बार में सभी फ्रेम उत्पन्न करते हैं, पूरे अनुक्रम को एक बार में डीनॉइज़ करते हैं। यह सुसंगतता के लिए बढ़िया है लेकिन इंटरैक्टिविटी के लिए भयानक है - आप मध्य-उत्पादन में हस्तक्षेप नहीं कर सकते। विश्व मॉडल के लिए समाधान ऑटोरेग्रेसिव डिफ्यूजन है, जो फ्रेम को क्रमिक रूप से डीनॉइज़ करता है। उपयोगकर्ता ऐसी क्रियाएं प्रदान कर सकते हैं जो रीयल टाइम में अगले फ्रेम को प्रभावित करती हैं। नकारात्मक पक्ष: यह कम्प्यूट-महंगा है, और सिमुलेशन बहाव करता है, पहले के विवरण भूल जाता है। जर्मनिडिस को उम्मीद है कि 3D स्थिरता "पैमाने से उभरेगी", जो कंप्यूटर वैज्ञानिक रिचर्ड सटन के "कड़वे सबक" की ओर एक इशारा है: स्पष्ट मानव ज्ञान अक्सर रास्ते में आता है। तो वे क्रूर बल पर बड़ा दांव लगा रहे हैं।

संक्षेप में, विश्व मॉडल वह जगह है जहाँ AI वास्तविकता का अनुकरण करने जाता है, एक महंगा डीनॉइज़िंग कदम एक बार में। चाहे वे वादे पर खरे उतरेंगे या केवल बहुत फैंसी डीपफेक का उत्पादन करेंगे, यह देखना बाकी है - लेकिन फंडिंग राउंड बताते हैं कि निवेशक पता लगाने को तैयार हैं।