Fundusze inwestycyjne wpompowały w ciągu kilku miesięcy ponad 1,6 miliarda dolarów w firmy budujące modele świata — nową kategorię AI trenowanej do symulowania fizycznej rzeczywistości. Ars Technica przeprowadziło rozmowy z badaczami z MIT, Runway i World Labs, ujawniając zarówno potencjał tej technologii, jak i jej nierozwiązane problemy.
Najważniejsze w skrócie
- Runway zebrało 315 mln USD (ok. 1,3 mld zł) w lutym 2026 na modele świata (GWM-1)
- World Labs (Fei-Fei Li) i AMI (Yann LeCun) zebrały po ok. 1 mld USD każda
- Kluczowa różnica od LLM: real-time, ciągła interakcja — nie turowe pytanie-odpowiedź
- Główne zastosowania: trening robotów na danych syntetycznych i generacja 3D
- Technicznie: autoregresywna dyfuzja zamiast generowania wszystkich klatek naraz
Czym jest model świata
"Model świata" to termin przeciążony — przyznają sami badacze. W najszerszym sensie opisuje każdy model AI, który bierze na wejściu akcję i przewiduje, co wydarzy się w środowisku w następnym kroku. Runway definiuje go jako "system AI budujący wewnętrzną reprezentację środowiska i używający jej do symulowania przyszłych zdarzeń."
Istotna różnica wobec LLM polega na trybie interakcji. Ben Mildenhall, współzałożyciel World Labs, opisuje to tak: modele językowe działają naprzemiennie — użytkownik pisze, model odpowiada. Model świata ma działać synchronicznie, w czasie rzeczywistym, gdzie wiele rzeczy dzieje się jednocześnie. Fei-Fei Li, współzałożycielka World Labs i pionierka computer vision, wskazuje trzy cechy definicyjne: generowanie z zachowaniem spójności geometrycznej i fizycznej, natywna multimodalność oraz zdolność do przewidywania kolejnych stanów na podstawie akcji wejściowych.
Pieniądze płyną do fizycznej AI
W ciągu zaledwie kilku miesięcy sektor zebrał imponujące kwoty. Runway pozyskało 315 mln USD w lutym 2026, koncentrując się na GWM-1. Google DeepMind zaprezentowało Genie 3 w sierpniu 2025 — model budujący interaktywne symulacje w czasie rzeczywistym. World Labs wypuściło Marble, narzędzie do generowania immersyjnych środowisk 3D z tekstu lub obrazów. Yann LeCun uruchomił AMI, firmę stawiającą na modele interagujące z fizycznym światem.
| Firma | Produkt | Finansowanie |
|---|---|---|
| Runway | GWM-1 | 315 mln USD |
| World Labs | Marble | ~1 mld USD |
| AMI | — | ~1 mld USD |
| Google DeepMind | Genie 3 | — |
Inwestorów przyciągają zastosowania: trening i testowanie robotów na danych syntetycznych, generacja assetów 3D dla gamedevów i VFX, symulacje naukowe.
Technika: autoregresywna dyfuzja
Większość aktualnych modeli świata generuje wideo jako podstawowy output. Standardowe modele wideo generują wszystkie klatki jednocześnie w procesie denoizowania — to daje wysoką jakość, ale uniemożliwia interakcję w czasie rzeczywistym.
Runway: autoregresywna dyfuzja
Runway postawiło na autoregresywną dyfuzję?Autoregresywna dyfuzja: Generowanie wideo klatka po klatce, gdzie każda kolejna klatka powstaje na podstawie poprzednich — dzięki temu możliwa jest interakcja w czasie rzeczywistym.: klatki są denoizowane sekwencyjnie, a użytkownik może ingerować między kolejnymi partiami. Anastasis Germanidis, CTO Runway, tłumaczy: "Denoizujemy jedną lub kilka klatek naraz. Prezentujemy to użytkownikowi, który dostarcza akcję wpływającą na następne klatki." Wadą jest olbrzymie zapotrzebowanie na moc obliczeniową i problem z długoterminową pamięcią — jeśli użytkownik wyjdzie z pokoju i wróci, model musi odtworzyć wygląd pomieszczenia zachowany gdzieś w kontekście.
World Labs: Gaussian splatting
World Labs obrało inną drogę: Marble generuje środowisko jako zbiór Gaussian splats?Gaussian splatting: Reprezentacja sceny 3D jako chmury milionów drobnych, półprzezroczystych plam (gaussów) zamiast siatki wielokątów — lekka i szybka w renderowaniu. — format wolumetryczny nadający się do obróbki w standardowych workflow 3D. Output jest statyczny i eksportowalny, ale wygenerowane środowisko nie ma dynamiki ani fizyki.
Gorzka lekcja o skalowaniu
Oba podejścia łączy jedno założenie: model powinien sam nauczyć się reprezentacji świata, bez zakodowanej na sztywno geometrii 3D ani równań fizyki. To tzw. "gorzka lekcja" (bitter lesson) Richarda Suttona — obserwacja, że próby wbudowania przez ludzi własnej wiedzy o świecie w algorytmy AI historycznie przegrywają ze skalowaniem mocy obliczeniowej i uczeniem się ze surowych danych.
Germanidis z Runway: "Skala i predykcja pikseli powinna wystarczyć, by spójność 3D i stany wyłoniły się same." Sitzmann z MIT jest bardziej ostrożny: modele wideo mogą dostarczyć użyteczną reprezentację fizyki w latent space?Latent space: Wewnętrzna, skompresowana przestrzeń, w której model koduje cechy danych (tu: fizykę sceny) w formie nieczytelnej wprost dla człowieka., ale czy jest to konieczna lub wystarczająca droga do AI ucieleśnionej — to wciąż otwarte pytanie.
Gdzie model świata pomaga robotom
Największym potencjalnym zastosowaniem jest generowanie syntetycznych danych treningowych dla robotów. Problem z humanoidami jest odwrotny niż z autami autonomicznymi: samochody zbierają dane jeżdżąc po tych samych drogach, co mają pokonywać. Humanoidalne roboty w domu mierzą się z nieograniczoną różnorodnością — i brakuje danych.
Germanidis: "Syntetyczne dane możesz wygenerować szybciej i bezpieczniej niż zebrać w rzeczywistości." Sitzmann ostrzega, że małe odchylenia w symulacji kontaktu, tarcia czy siły mogą łamać polityki kontroli robota.
Dlaczego to ważne?
Modele świata nie zastąpią LLM w najbliższych latach, ale wskazują kierunek, w którym zmierza część badaczy AI: od rozumowania językowego ku rozumieniu przestrzenno-fizycznemu. Jeśli modele te okażą się skuteczne w generowaniu danych treningowych dla robotów, mogą odblokować postęp w robotyce domowej. Kwoty inwestycji — ponad 1,6 mld USD w kilka miesięcy — sygnalizują, że branża traktuje to nie jako eksperyment, lecz zakład na następny etap AI. Pytaniem otwartym pozostaje interfejs: jak użytkownicy będą wchodzić w interakcję z modelami świata i w jakim formacie będą dostarczać wyniki — to nie jest jeszcze rozstrzygnięte.
Co dalej?
- Runway planuje zunifikować trzy modele GWM-1 w jeden model ogólny — bez podanego terminu, ale ze wskazaną intencją według CTO Germanidisa
- World Labs pracuje nad dodaniem czwartego wymiaru — dynamiki — do statycznych środowisk Marble, według Mildenhalla to aktywny priorytet badawczy
- Ocena przydatności modeli świata do trenowania robotów wymaga benchmarków porównujących wyniki polityk trenowanych na danych syntetycznych z wynikami na danych rzeczywistych — Sitzmann wskazuje to jako kluczowy następny krok
Źródła
- Ars Technica — Simulating everything, sort of: The promise and limits of world models
- Runway — Introducing Runway GWM-1
- World Labs — RTFM: Real-time generative frame-based model
