Штучний інтелект навчився створювати віртуальні світи, які враховують фізичні закони та просторові взаємодії. Цей прорив відбувся у 2026 році і відкриває нові можливості для робототехніки, ігрової індустрії та наукових досліджень.

На відміну від традиційних чат-ботів, які працюють із текстом, нові системи — так звані світові моделі — здатні відтворювати логіку фізичного світу. Вони приймають дії користувачів або роботів і прораховують подальший розвиток подій у тривимірному просторі. Ідея виникла через обмеження великих мовних моделей, які добре опрацьовують текст, але не мають досвіду взаємодії з фізичним середовищем. Як пояснюють розробники, нейромережа може описати падіння стакана, але не розуміє рух, форму чи гравітацію так, як це робить людина з власного досвіду.

Розробники світових моделей працюють над різними задачами: одні навчають роботів орієнтуватися у фізичному середовищі, інші створюють тривимірні сцени для ігор і кіно, а треті дозволяють проводити наукові експерименти у віртуальному просторі без необхідності дорогих реальних дослідів. За останній рік технології вийшли за межі лабораторій. Зокрема, Google DeepMind представила Genie 3, яка будує інтерактивні середовища в реальному часі на основі генерації відео. Компанія World Labs випустила Marble — інструмент, що перетворює текст, зображення та відео на простори для вільного огляду і експорту у вигляді тривимірних матеріалів. Runway розробила сімейство моделей GWM-1, які підтримують переміщення у безперервно генерованих сценах, створюють цифрових персонажів із зовнішністю та голосом, а також перевіряють алгоритми керування роботами.

Комерційний інтерес до світових моделей підтверджується значними інвестиціями. World Labs і Advanced Machine Intelligence залучили приблизно по мільярду доларів кожна, а Runway отримала 315 мільйонів доларів. Частина інвесторів пов’язує цей напрямок із пошуком загального штучного інтелекту, але найближчі плани компаній більш прагматичні — підготовка роботів, виробництво ігрового та кінематографічного контенту, моделювання фізичних процесів.

Технічно більшість комерційних розробок базуються на генерації відео, але з принциповою відмінністю від класичних дифузійних моделей. Звичайні відеомоделі створюють послідовність кадрів одразу і погано реагують на втручання в реальному часі. Світові моделі використовують авторегресійну дифузію: нейромережа обробляє один або кілька кадрів підряд, негайно показує результат і враховує нові команди. Якщо користувач повертає камеру або взаємодіє з об’єктом, зображення оновлюється відповідно до дії — це набагато ближче до принципів відеоігор, ніж до текстових чатів.