Dlaczego laboratoria AI budują modele świata?
Bo przewidywanie kolejnego tokenu w pewnym momencie wyczerpuje to, co da się wiedzieć o świecie. LLM czytał o grawitacji, ale nigdy nie widział, jak coś spada, a to ogranicza, jak dobrze potrafi planować pracę fizyczną lub przestrzenną. Model świata daje agentowi miejsce na próbę: agent może zasymulować działanie wewnętrznie, sprawdzić przewidywany wynik i dopiero wtedy działać. Ma to znaczenie w robotyce, autonomicznych operacjach i każdym zadaniu typu computer use, w którym błędne kliknięcie ma konsekwencje.
Jak właściwie działa model świata?
Podstawowa pętla to: zakoduj, przewidź, porównaj. Model kompresuje każdą obserwację, klatkę wideo lub odczyt czujnika, do stanu wewnętrznego, a potem przewiduje, jak ten stan zmieni się po wykonaniu działania. Trening przybliża przewidywanie do tego, co faktycznie się wydarzyło, więc w ciągu milionów przejść model przyswaja dynamikę swojego środowiska: co się porusza, co się zderza, co zmienia interwencja. Przewidywanie warunkowane działaniami to składnik definiujący, bo zamienia model w coś, o co agent może pytać. Wypróbuj działanie A w wyobraźni, odczytaj przewidywany wynik, porównaj go z działaniem B i dopiero wtedy się zdecyduj. Wyobrażona próba nie kosztuje prawie nic, a prawdziwa, zwłaszcza w physical AI, już tak.
Jak trenuje się i ocenia model świata?
Dominują dwie rodziny. Podejścia generatywne przewidują bezpośrednio kolejną obserwację, łącznie z pikselami, co ułatwia wgląd w wyniki, ale większość pojemności modelu idzie na detale wizualne, które rzadko mają znaczenie dla decyzji. Podejścia latentne przewidują w skompresowanej przestrzeni stanów, co jest tańsze i często lepsze do planowania, za cenę wyników, których człowiek nie oceni na oko. W obu przypadkach dane muszą łączyć obserwacje z działaniami, które je wywołały; samo pasywne wideo uczy, co zwykle się dzieje, a nie, co powoduje Twoja interwencja. Ewaluacja to nierozwiązana część: ostro wyglądające przewidywanie wciąż może być fizycznie błędne, więc zespoły oceniają modele świata na podstawie dalszych zadań sterowania, a nie tego, jak przekonująco wygląda wyobrażony materiał.
Co model świata zmienia w oprogramowaniu biznesowym?
Nic w tym kwartale, a później być może wiele. Dziś praktycznymi następcami są modele wizyjno-językowe, które osadzają oprogramowanie w tym, co faktycznie pokazuje ekran lub kamera, oraz testy w stylu symulacji, takie jak symulacja agentów, która pozwala przećwiczyć działanie agenta przed produkcją. Traktuj modele świata jako kierunek badań do obserwowania, a nie kategorię produktów do kupienia.