Пока одни модели учатся говорить, другие учатся строить миры. Google DeepMind представила Genie 4 — мировую модель, которая по запросу генерирует интерактивную сцену и позволяет в ней жить: ходить, взаимодействовать, слушать. Сцена держится до двух минут — вдвое дольше, чем у Genie 3, — и делает это в реальном времени. Это уже не демо ради демо: генеративные миры становятся полигоном для обучения агентов.

Что такое мировая модель

Обычная генеративная модель предсказывает следующий токен. Мировая модель предсказывает следующее состояние среды: если персонаж повернул налево, что он увидит, как отреагируют предметы, что изменится в звуке. Genie 4 учится на видеоданных и строит внутреннее представление физики мира — не идеальное, но достаточное, чтобы сцена не разваливалась при взаимодействии. Именно поэтому такие модели называют «симуляторами»: они дают интерактивную среду, а не картинку.

Каждый пункт — шаг к тому, чтобы симуляция была пригодна как тренировочная среда.

Зачем это кроме игр

Главный потребитель мировых моделей — не игры, а обучение агентов. Чтобы ИИ научился действовать в реальном мире, ему нужны миллионы эпизодов: слишком дорого делать их в физическом мире и слишком узко — в заранее написанных симуляторах. Генеративная среда решает обе проблемы: она бесконечна по разнообразию и дёшева в производстве. Плюс прикладное: тренажёры для персонала, прототипы интерфейсов, тестирование роботов до выхода в цех.

Частые вопросы