Son birkaç yıldır, şirketlerin yapay zeka dediği şeyin -ki bu çoğunlukla büyük dil modelleri (BDM) anlamına geliyordu- hızlı bir kursunu aldık. Ancak BDM'ler artık devasa fonlar ve nefes kesici abartılar çeken tek yapay zeka kategorisi değil. Sahneye "dünya modelleri" çıkıyor; bunlar fiziksel dünyayı ya da en azından işe yarar bir benzerini simüle etmeyi hedefliyor. Sadece sohbet etmek yerine, bu sistemler bir video oyunu gibi 3 boyutlu bir ortamda dolaşmanıza izin vermek istiyor, ama daha fazla matematik ve daha az ganimet kutusuyla.

Dünya modellerini farklı kılanı anlamak için Ars, üç uzmanla konuştu: MIT'den Vincent Sitzmann, Runway'den Anastasis Germanidis ve World Labs'tan Ben Mildenhall. Ortak kanı: BDM'ler bir sohbet arayüzüyle başlayıp sonra kullanım alanı ararken, dünya modelleri belirli uygulamalarla -robotik, araştırma, varlık üretimi- başlıyor ve arayüzün nasıl görünmesi gerektiğini henüz tam olarak çözmüş değil. Bunu, yapay zekanın tersten çalışması olarak düşünün; ki bu da markaya uygun.

Herkes BDM'leri genel zekaya giden yol olarak görmüyor. Eski Meta baş yapay zeka bilimcisi Yann LeCun, Wired'a BDM'lerin insan seviyesinde zeka elde edebileceği fikrinin "tamamen saçmalık" olduğunu söyledi. Bilgisayarlı görü alanının öncüsü ve World Labs'ın kurucu ortağı Fei-Fei Li, BDM'lerin "karanlıkta kelime ustaları; etkileyici ama deneyimsiz, bilgili ama temelsiz" olduğunu yazdı. Hugging Face CEO'su Clem Delangue bile gelecek yıl patlayabilecek bir "BDM balonu" içinde olduğumuzu düşünüyor. Yani dünya modelleri yeni gözde, en azından daha da yeni bir şey çıkana kadar.

Dünya modelleri şimdiden göz kamaştırıcı fonlar topladı: World Labs ve AMI'nın Şubat ve Mart aylarında yaklaşık 1'er milyar dolar topladığı bildiriliyor ve Runway Şubat ayında 315 milyon dolar topladı. Bu, Sitzmann'ın kabul ettiği gibi "kesinlikle aşırı yüklü" bir terim için çok para. Onun tanımı: bir etkileşimi alıp sonra ne olacağını simüle eden herhangi bir model. Runway'in tanımı, bir ortamın içsel bir temsilini oluşturduğunu ekliyor. Mildenhall, BDM'lerden temel farkın sürekli, gerçek zamanlı etkileşim olduğunu söylüyor - "A sonra B sonra A sonra B" şeklindeki sıra tabanlı metin alışverişi değil. Fei-Fei Li üç kriter sunuyor: algısal, geometrik ve fiziksel tutarlılık; çok modluluk; ve girdi eylemlerine dayalı olarak sonraki durumları çıktılama yeteneği.

Ancak "dünya modeli" aynı zamanda bir marka terimi haline geliyor. Şirketler bunu eylem koşullu video üretiminden 3B varlık oluşturmaya ve robot politika değerlendirmesine kadar her şeye yapıştırıyor. Şimdilik, diyor Sitzmann, "çoğu insan 'dünya modeli' derken piksel üretmeyi kastediyor" - yani eylemlere bağlı gerçekçi video. Bu, Runway'in zaten yaptığı video üretim modellerinin doğal bir uzantısı. Germanidis'in dediği gibi, video araçlarına kamera kontrolleri eklediklerinde "neredeyse bir video oyunu gibi hissettirmeye başladı."

Teknik zorluk: çoğu video difüzyon modeli tüm kareleri aynı anda üretir, tüm diziyi tek seferde gürültüden arındırır. Bu tutarlılık için harika ama etkileşim için berbat - üretim ortasında müdahale edemezsiniz. Dünya modelleri için çözüm, kareleri sırayla gürültüden arındıran otoregresif difüzyondur. Kullanıcılar, sonraki kareleri gerçek zamanlı olarak etkileyen eylemler sağlayabilir. Dezavantajı: hesaplama açısından pahalıdır ve simülasyon sürüklenme eğilimindedir, önceki detayları unutur. Germanidis, 3B tutarlılığın "ölçekten ortaya çıkacağını" umuyor; bu, bilgisayar bilimci Richard Sutton'un "acı ders" dediği şeye bir gönderme: açık insan bilgisi çoğu zaman engel olur. Bu yüzden kaba kuvvete büyük bahis oynuyorlar.

Kısacası, dünya modelleri yapay zekanın gerçekliği simüle etmeye gittiği yer, her seferinde pahalı bir gürültü giderme adımıyla. Vaadi yerine getirip getirmeyecekleri yoksa sadece çok süslü deepfake'ler mi üretecekleri henüz belli değil - ancak fonlama turları yatırımcıların öğrenmeye istekli olduğunu gösteriyor.