Речь идет о так называемых «мировых моделях» (world models) — системах, которые не просто генерируют текст или картинки по запросу, а учатся представлять и «проигрывать» целые виртуальные миры с работающей физикой.
Работа современных генеративных моделей искусственного интеллекта порой поражает воображение, но их главный минус очевиден: они плохо «понимают» физическую реальность. Такая система может блестяще описать, как машина летит с обрыва, но ошибиться в том, что будет при этом происходить — как она будет вращаться во время падения, где и когда упадет. Для научных расчетов, создания надежных роботов или беспилотников этого явно недостаточно.
Мировые модели пытаются закрыть этот разрыв. В широком смысле любая нейросеть, обученная на данных о мире, содержит внутри некую «модель мира». Но сейчас под world model чаще понимают ИИ, способный строить последовательный, исследуемый и зачастую интерактивный трехмерный мир — наподобие видеоигры от первого лица. Такой ИИ должен «знать» физику достаточно, чтобы, если пользователь толкнул объект со стола, тот полетел вниз и правдоподобно, так же как в реальности, упал, а не завис в воздухе.
Крупные компании уже активно инвестируют в мировые модели. Google DeepMind в 2025 году представила модель Genie 3, которая по простому текстовому описанию создает фотореалистичную среду, где можно перемещаться в реальном времени. Стартап Runway выпустил свою версию — GWM‑1. В Европе особое внимание привлекает AMI Labs, основанная одним из «отцов» современного ИИ Яном Лекуном: компания привлекла более 1 млрд долларов — рекордный старт для европейского ИТ‑проекта.
Обучаются такие системы на тысячах часов видео из реального мира и на точных симуляциях сред, где строго заданы законы физики. В итоге получается безопасная «песочница», в которой можно оттачивать управляющие алгоритмы для роботов, дронов или беспилотных автомобилей гораздо быстрее и дешевле, чем в реальности. Для науки это тоже серьезный инструмент: автономная химлаборатория или «робот‑химик» может сначала «отработать» тысячи часов экспериментов в виртуальном мире, а уже затем отправляться в настоящую лабораторию.
AMI Labs идет чуть другим путем, чем многие конкуренты. В основе ее подхода — архитектура JEPA (Joint Embedding Predictive Architecture), которую Лекун называет моделью «более высокого уровня». Обычные генеративные сети предсказывают будущее кадр за кадром, пиксель за пикселем. JEPA же стремится оперировать более абстрактными величинами: положением, скоростью, ориентацией объектов, законами их движения. Чтобы предсказать положение Юпитера через 100 лет, как любит приводить пример Лекун, нужно всего несколько чисел, а не миллионы пикселей. Такой подход потенциально может быть намного менее прожорливым по вычислительным ресурсам, чем огромные генеративные модели, и при этом лучше улавливать реальные законы мира.
Впрочем, не все уверены, что нужны принципиально новые архитектуры. Скептики считают, что многие возможности мировых моделей можно получить простым масштабированием уже существующих генеративных нейросетей — за счет большего объема данных и мощностей. История ИИ, напоминают они, показывает: простые методы часто лучше растут «вширь».
Но вне зависимости от того, победит ли «высокоуровневый» подход JEPA или эволюция текущих генеративных моделей, тренд уже ясен: от ИИ все больше требуют не только умения писать и рисовать, но и способности надежно предсказывать, что произойдет в реальном или виртуальном мире, когда мы начнем в нем действовать. Именно это умение может стать ключом к новому поколению научных инструментов — от цифровых двойников лабораторий до роботов, которые учатся в безопасных симуляциях, прежде чем выйти в наш, далеко не идеальный, физический мир.
Ранее мы рассказывали о дискуссии ученых относительно того, вымрет ли человечество от ИИ.