În ultimii ani, am primit cu toții un curs intensiv despre ceea ce companiile numesc inteligență artificială – care a însemnat în mare parte modele de limbaj de mari dimensiuni (LLM-uri). Dar LLM-urile nu mai sunt singura categorie de IA care atrage finanțări masive și entuziasm exagerat. Faceți cunoștință cu „modelele lumii”, care își propun să simuleze lumea fizică, sau cel puțin o aproximare utilă a acesteia. În loc să stea doar la taclale, aceste sisteme vor să te lase să te dai cu capul de un mediu 3D ca și cum ar fi un joc video, dar cu mai multă matematică și mai puține loot box-uri.

Pentru a înțelege ce e diferit la modelele lumii, Ars a vorbit cu trei experți: Vincent Sitzmann de la MIT, Anastasis Germanidis de la Runway și Ben Mildenhall de la World Labs. Consensul lor: în timp ce LLM-urile au început cu o interfață de chat și apoi au căutat un caz de utilizare, modelele lumii pornesc de la aplicații specifice – robotică, cercetare, generare de active – și nu și-au dat seama încă cum ar trebui să arate interfața. Gândiți-vă la asta ca la o IA care lucrează invers, ceea ce e în ton cu marca.

Nu toată lumea e convinsă că LLM-urile sunt calea către inteligența generală. Fostul șef IA al Meta, Yann LeCun, a declarat pentru Wired că ideea că LLM-urile ar putea atinge inteligența umană este „o prostie completă”. Fei-Fei Li, pionier al viziunii computerizate și co-fondatoare a World Labs, a scris că LLM-urile sunt „meșteri ai cuvintelor în întuneric; elocvente dar fără experiență, înțelepte dar fără temei”. Chiar și CEO-ul Hugging Face, Clem Delangue, crede că suntem într-o „bulă LLM” care ar putea sparge anul viitor. Așadar, modelele lumii sunt noua senzație, cel puțin până când apare ceva și mai senzațional.

Modelele lumii au atras deja finanțări uluitoare: World Labs și AMI ar fi strâns aproximativ 1 miliard de dolari fiecare în februarie și martie, iar Runway a strâns 315 milioane de dolari în februarie. Sunt mulți bani pentru un termen care, după cum recunoaște Sitzmann, este „cu siguranță supraîncărcat”. Definiția lui: orice model care preia o interacțiune și simulează ce se întâmplă mai departe. Definiția Runway adaugă că construiește o reprezentare internă a unui mediu. Mildenhall spune că diferența cheie față de LLM-uri este interacțiunea continuă, în timp real – nu schimbul de text pe ture de „A apoi B apoi A apoi B”. Fei-Fei Li oferă trei criterii: consistență perceptivă, geometrică și fizică; multimodalitate; și abilitatea de a genera stări următoare pe baza acțiunilor de intrare.

Dar „model al lumii” devine și un termen de branding. Companiile îl aplică pe orice, de la generare de video condiționată de acțiuni la creare de active 3D la evaluarea politicilor roboților. Deocamdată, spune Sitzmann, „ceea ce înțeleg majoritatea oamenilor prin ‘model al lumii’ este generarea de pixeli” – adică video realist condiționat de acțiuni. Asta e o extensie naturală a modelelor de generare video, pe care Runway le face deja. După cum a spus Germanidis, când au adăugat comenzi de cameră la instrumentele lor video, „a început să se simtă aproape ca un joc video”.

Provocarea tehnică: majoritatea modelelor de difuzie video generează toate cadrele deodată, denoising întreaga secvență dintr-o singură mișcare. Asta e grozav pentru coerență, dar groaznic pentru interactivitate – nu poți interveni în timpul generării. Soluția pentru modelele lumii este difuzia autoregresivă, care denoisează cadrele secvențial. Utilizatorii pot furniza acțiuni care influențează cadrele următoare în timp real. Dezavantajul: este costisitor din punct de vedere computațional, iar simularea tinde să devieze, uitând detalii anterioare. Germanidis speră că consistența 3D va „emerge din scară”, un semn din cap către ceea ce informaticianul Richard Sutton a numit „lecția amară”: cunoștințele umane explicite adesea stau în cale. Așa că pariază pe forța brută.

Pe scurt, modelele lumii sunt locul unde IA merge să simuleze realitatea, câte un pas costisitor de denoising. Dacă vor livra promisiunea sau vor produce doar deepfake-uri foarte fanteziste, rămâne de văzut – dar rundele de finanțare sugerează că investitorii sunt dispuși să afle.