AI som förstår fysik – inte bara ord – kan förändra allt

Språkmodellerna räcker inte hela vägen

De senaste åren har vi vant oss vid att mäta AI-framsteg i ord. Hur övertygande skriver modellen? Hur bra svarar den på frågor? Men det finns en fundamental begränsning i det paradigmet – och nu börjar branschen ta den på allvar.

Yann LeCun, en av AI-forskningens tyngsta namn och tidigare chefsforskare på Meta, har formulerat kritiken rakt: föreställningen att språkmodeller skulle kunna uppnå mänsklig intelligens är enligt honom "fullständigt nonsens". Fei-Fei Li, pionjär inom datorseende och grundare av företaget World Labs, är inne på samma linje. Hon beskriver dagens språkmodeller som "vältaliga men oerfarna, kunniga men rotlösa" – och pekar på rumslig intelligens som den avgörande nästa klyvs, rapporterar Ars Technica.

Det är en kritik som träffar något verkligt. En språkmodell kan förklara hur ett glas faller och krossas. Men den förstår inte rörelsen, tyngdkraften, materialet. Den har aldrig upplevt det. Och det är precis det gapet som världsmodeller försöker täppa till.

Vad är egentligen en världsmodell?

Konceptet är enklare att förstå intuitivt än vad det kan låta. En världsmodell är ett AI-system tränat att bilda en intern representation av hur den fysiska världen fungerar – hur objekt rör sig och interagerar, hur rum är uppbyggda i tre dimensioner, hur orsak leder till verkan.

I stället för att enbart behandla text eller bilder som isolerade symboler försöker systemet bygga upp något som liknar en mental modell av verkligheten. Tänk på hur en människa som aldrig sett ett rullande klot ändå kan förutsäga att det kommer att falla av ett bord – för att vi har en inbyggd känsla för fysikens logik. Det är den förmågan man nu försöker ge maskiner.

Enligt MIT Technology Review är detta ett av de hetaste forskningsområdena just nu, och bedömare menar att det kan öppna upp ett av de viktigaste nya fälten inom AI-utvecklingen de kommande åren – med robotik och rumslig förståelse som de mest uppenbara tillämpningarna.

Från laboratorium till riskkapital

Det som verkligen signalerar att fältet har mognat är att världsmodeller under det senaste året rört sig från renodlad grundforskning till massiva riskkapitalrundor, rapporterar Ars Technica. Investerare och teknikbolag börjar satsa på allvar, och det skapar ett välbekant mönster: forskning accelererar, konkurrensen hårdnar, och tillämpningarna börjar ta form.

Tillämpningsområdena är konkreta och breda. Inom robotik är behovet mest uppenbart – en robot som ska hantera verkliga objekt i en verklig miljö behöver förstå rum och fysik, inte bara känna igen ord. Men även spelutveckling, simuleringsverktyg och träning av autonoma system pekas ut som tidiga vinnare.

Det finns också en mer subtil vinkel: världsmodeller kan bli infrastrukturen som nästa generations AI-agenter bygger på. Om en agent ska kunna planera och utföra uppgifter i verkliga eller simulerade miljöer behöver den en intern karta av hur världen fungerar – inte bara ett lexikon.

En befogad nykterhets-dos

Clem Delangue, vd för AI-plattformen Hugging Face, varnar dock öppet för att vi kan befinna oss i en bubbla kring språkmodeller – och det är rimligt att ställa sig frågan om inte världsmodeller riskerar att drabbas av liknande överdrivna förväntningar när väl riskkapitalet strömmar in.

Tekniken är fortfarande i ett tidigt skede. Att simulera meningsfulla aspekter av den fysiska världen med tillräcklig precision är ett enormt beräkningsmässigt och forskningsmässigt problem. Vi är inte i närheten av en allomfattande verklighetsimulator – men vi behöver kanske inte vara det heller. Även en partiell, domänspecifik världsmodell kan ge robotar och agenter kapaciteter de helt saknar i dag.