# Svetovni modeli: zakaj laboratoriji LeCuna in Li molčijo o naslednjem velikem koraku v umetni inteligenci
Kaj če umetna inteligenca ne bi znala le odgovarjati na vprašanja, ampak bi razumela, kako se predmeti premikajo, kako prostori delujejo in kaj se bo zgodilo po njenem naslednjem dejanju? Prav to obljubljajo tako imenovani **svetovni modeli** – ena najbolj ambicioznih, a hkrati najmanj razkritih smeri razvoja umetne inteligence.
Podjetja, kot sta AMI Labs Yanna LeCuna in World Labs Fei-Fei Li, so pritegnila veliko zanimanja, kapitala in pozornosti tehnološke industrije. Kljub temu o konkretnih izdelkih, poslovnih načrtih in časovnici povedo razmeroma malo. Ta zadržanost ni zgolj posledica zgodnje razvojne faze, temveč lahko postaja tudi poslovna strategija v hitro nastajajoči tekmi za novo generacijo AI.
## Kaj so svetovni modeli?
Veliki jezikovni modeli, kot je ChatGPT, so predvsem usposobljeni za delo z jezikom: napovedujejo naslednjo besedo, povzemajo besedila, pišejo kodo in odgovarjajo na vprašanja. Čeprav lahko ustvarijo vtis razumevanja sveta, njihova osnovna moč izvira iz statističnih vzorcev v ogromnih količinah besedila, slik in drugih podatkov.
Svetovni modeli poskušajo narediti nekaj drugega. Njihov cilj je zgraditi notranjo predstavitev fizičnega sveta: prostora, predmetov, gibanja, vzroka in posledice.
Preprosta analogija je razlika med osebo, ki je prebrala tisoče navodil za vožnjo s kolesom, in osebo, ki zna oceniti ravnotežje, hitrost, ovinek ter posledice zaviranja na mokri podlagi. Svetovni model naj bi umetni inteligenci omogočil prav to drugo vrsto razumevanja: da ne prepoznava le opisov sveta, ampak zna predvidevati, kako se svet spreminja.
Zato so možne uporabe tako široke. Sistem bi lahko robotu pomagal varno prijeti kozarec ali prenesti škatlo po skladišču, avtonomnemu vozilu predvideti dogajanje v prometu, ustvarjalcu pa iz kratkega videoposnetka izdelati raziskljivo tridimenzionalno okolje za igro, film ali simulacijo.
## Velik potencial, malo konkretnih odgovorov
Novinar TechCruncha Russell Brandom je na konferenci All In vodil pogovor o svetovnih modelih, kjer je poskušal izvedeti, katere konkretne izdelke razvija AMI Labs. Michael Rabbat, soustanovitelj podjetja in njegov podpredsednik za svetovne modele, je ostal zadržan.
»O tem bomo govorili, ko bomo pripravljeni govoriti o tem,« je odgovoril. Pozneje je pojasnil, da je podjetje še v raziskovalni in razvojni fazi ter zato javno ne govori o produktnih načrtih ali časovnici.
Tak odziv je pri mladem podjetju pričakovan. AMI Labs je po navedbah TechCruncha mlajši od enega leta. Vendar zadržanost ni omejena le na eno podjetje. Tudi širši sektor daje javnosti predvsem predstavitve zmogljivosti, ne pa jasnih informacij o tem, kateri trg želi osvojiti najprej.
World Labs s svojim sistemom Marble prikazuje ustvarjanje medijskih vsebin, tridimenzionalnih in raziskljivih okolij za videoigre ter vizualnih učinkov. Te predstavitve nakazujejo potencial na področju ustvarjalnih industrij in robotike, vendar same po sebi še ne povedo, ali podjetje gradi orodje za filmske studie, razvijalce iger, proizvajalce robotov ali vse našteto.
## Molk kot konkurenčna prednost
Skrivnostnost ima razumljivo poslovno logiko. Svetovni modeli so uporabni v številnih panogah, od proizvodnje in logistike do zdravstva, avtomobilske industrije, zabave in robotike. Podjetje, ki bi javno razkrilo prepričljivo pot do trga, bi lahko tekmecem nehote pokazalo, kam naj usmerijo denar, raziskovalce in podatke.
Brandom to primerja s scenarijem »temnega gozda« iz del kitajskega pisatelja Cixina Liuja: kadar ne veš, kdo vse je v okolici in kakšne zmogljivosti ima, se ne želiš prezgodaj izpostaviti.
Ta pristop lahko podjetjem omogoči mirnejši razvoj. Brez javnih obljub o rokih se lažje izognejo pritisku, da bi nedokončene tehnologije predstavila kot izdelke. Prav tako lahko zaščitijo poslovne skrivnosti, zlasti če še ugotavljajo, katera uporaba prinaša največjo vrednost.
Toda zaprtost ima tudi svojo ceno. Podjetja, ki gradijo temeljno tehnologijo z velikim vplivom na delo, industrijo in varnost, težje pridobijo zaupanje uporabnikov, regulatorjev in javnosti, če ne pojasnijo, kako bodo njihovi sistemi delovali v praksi. Premalo informacij otežuje tudi neodvisno preverjanje trditev o zmogljivostih, varnosti in omejitvah modelov.
## Tudi dobavitelji ne vedo, za kaj delajo
Omejen pretok informacij se po navedbah TechCruncha čuti celo pri dobaviteljih podatkov. Alex de Vigan, izvršni direktor podjetja Physicl, ki dobavlja podatke za razvoj svetovnih modelov, je povedal, da ve, da so njihovi podatki naročnikom koristni, ne ve pa natančno, kaj razvijajo.
»Želel bi si, da bi nam povedali več. Če bi vedeli, na čem delajo, bi lahko zgradili uporabnejše podatke,« je dejal.
Ta izjava izpostavlja pomembno dilemo. Svetovni modeli niso odvisni le od računske moči in nadarjenih raziskovalcev, temveč tudi od kakovostnih podatkov o fizičnem svetu: posnetkov gibanja, prostora, predmetov, materialov, človeškega dela in robotskih interakcij. Če dobavitelji ne poznajo končnega namena tehnologije, je težje pripraviti podatke, ki bi res ustrezali določeni industrijski uporabi.
## Odprto vprašanje: preboj ali še ena velika obljuba?
Zamisel, da mora umetna inteligenca za resnično avtonomno delovanje bolje razumeti svet, ni nova. Yann LeCun že dolgo zagovarja razvoj sistemov, ki ne bodo temeljili zgolj na jeziku, ampak bodo znali graditi modele fizične resničnosti in predvidevati njeno spreminjanje.
Vendar ostaja ključno vprašanje, ali bodo svetovni modeli dosegli dovolj zanesljivo delovanje zunaj nadzorovanih predstavitev. Robot, ki v laboratoriju uspešno prime predmet, se v resničnem skladišču sreča z nepredvidljivimi ljudmi, neredom, različnimi svetlobnimi pogoji in napakami senzorjev. Enako velja za avtonomno vožnjo, medicinske aplikacije in industrijsko avtomatizacijo.
V naslednjih letih bo zato pomembno spremljati predvsem tri stvari: ali bodo podjetja pokazala delujoče izdelke zunaj demonstracij, ali bodo jasno opredelila področja uporabe in ali bodo razkrila dovolj o varnosti ter omejitvah svojih sistemov.
Svetovni modeli bi lahko postali pomemben korak proti bolj sposobni fizični umetni inteligenci. Za zdaj pa so predvsem obetavna tehnologija, obdana z velikimi naložbami, širokimi napovedmi in nenavadno malo konkretnimi odgovori.
