Robocikowo>ROBOCIKOWO
Sztuczna Inteligencja

Modele świata wchodzą wszędzie. Przewidują obraz, nie następne słowo

Pan Robocik20 listopada 2026 · 6 min czytania
Modele świata wchodzą wszędzie. Przewidują obraz, nie następne słowo

Wired opublikował 8 listopada 2026 r. przegląd stanu modeli świata — oprogramowania, które zamiast przewidywać następne słowo przewiduje następny obraz otoczenia. Materiał zbiera wypowiedzi przedstawicieli Niantic Spatial, Odyssey i Wayve oraz pokazuje, jak ta technologia już dziś zmienia rynek pracy przy zbieraniu danych. Stawką jest trening robotów domowych i samochodów autonomicznych bez wyjeżdżania na ulicę.

Najważniejsze w skrócie

  • Model świata przyjmuje na wejściu obraz stanu świata i przewiduje jego kolejny stan wizualny — inaczej niż model językowy, który przewiduje następne słowo
  • Niantic, twórca Pokémon Go, sprzedał grę i przestawił się na modele świata, wykorzystując zgromadzone skany przestrzeni
  • Wayve trenuje model świata na nagraniach z kamer samochodowych, żeby odtwarzać niebezpieczne sytuacje drogowe niemożliwe do przetestowania na żywo
  • AMD przejmuje World Labs, startup Fei-Fei Li, za 8,2 mld USD (ok. 30 mld zł) — jak podał TechCrunch 28 września 2026 r.
  • Rok 2027 ma być według Wired przełomowy dla robotyki domowej i pojazdów bez kierowcy, w obu przypadkach napędzanych postępem w modelach świata

Od czego się to zaczyna?

Rok 2016. Setki milionów ludzi chodzą po okolicy ze smartfonem, polując na Snorlaxa w Pokémon Go. Przy okazji ich telefony skanują otoczenie — chodniki, krawężniki, wnętrza, przedmioty.

Dekadę później te same skany stają się materiałem do budowania cyfrowych replik świata, w których roboty uczą się omijać przeszkody i podnosić przedmioty. Niantic, twórca gry, sprzedał ją w 2025 roku i przestawił się właśnie na modele świata.

Ale pojawia się problem: model, który świetnie opisuje świat słowami, nie wie, co się stanie, gdy kubek zsunie się ze stołu. Przewidywanie następnego tokena nie daje fizyki.

I właśnie tę lukę mają zamykać modele świata.

Czym model świata różni się od modelu językowego?

Różnica jest w tym, co model dostaje na wejściu i co oddaje na wyjściu.

„Przy modelu językowym masz zdanie i on przewidzi następne słowo w tym zdaniu” — tłumaczy Oliver Cameron, CEO laboratorium Odyssey, w rozmowie z Wired. „Przy modelu świata podajesz mu wizualny stan świata, obraz, a on przewidzi kolejny wizualny stan świata”.

Z tej jednej zmiany wynika wszystko inne. Skoro wyjściem jest obraz, a nie tekst, to wyjściem może być też cała wygenerowana przestrzeń 3D. A skoro przestrzeń, to można w niej postawić robota i kazać mu próbować.

Cameron określa te generacje jako „symulacje, które wyglądają i czują się jak prawdziwe”. Brian McClendon, CTO Niantic Spatial, opisuje konkretne zastosowanie: zrobić zdjęcia miejsca, w którym robot ma pracować, wygenerować z nich model 3D i uruchomić „miliony symulacji”, żeby nauczyć oprogramowanie parametrów tej przestrzeni.

Wejście
Zdjęcia docelowego pomieszczenianp. kuchnia, w której robot ma pracować
Model świata
Generowanie modelu 3Drekonstrukcja przestrzeni z obrazów
Miliony symulacjirobot próbuje zadania bez ruchu fizycznego
Symulacja oddaje fizykę pomieszczenia?
TAK
Wyuczona strategia przenoszona na robotaAllow
NIE
Luka sim-to-realDeny
Przebieg treningu robota w modelu świata, opisany przez CTO Niantic Spatial.

To uproszczony przebieg zrekonstruowany z opisu w Wired, a nie dokumentacja konkretnego produktu.

FirmaSkąd bierze daneDo czego używa modelu świata
Niantic Spatialskany otoczenia z gry Pokémon Gorekonstrukcja realnych wnętrz pod trening robotów
Wayvenagrania z kamer samochodowychodtwarzanie niebezpiecznych sytuacji drogowych
Odysseywizualny stan świata podany na wejściugenerowanie kolejnych stanów jako poligonu treningowego
World Labsnieujawnione publicznieprodukt komercyjny Marble
Cztery firmy, cztery różne źródła danych, jedna technologia — stąd konkurencja między twórcami gier i producentami samochodów.

Co znaczą te nazwy?

W rozmowach o tej technologii powtarza się kilka pojęć, których nie da się odgadnąć z nazwy.

  • Model świata — model przewidujący kolejny stan otoczenia na podstawie obrazu i podjętego działania. Odpowiednik silnika fizyki w grze, tylko wyuczonego z nagrań zamiast zaprogramowanego regułami.
  • Luka sim-to-real — rozbieżność między tym, co działa w symulacji, a tym, co działa na prawdziwym sprzęcie. Główny powód, dla którego dobra symulacja fizyki jest warunkiem, a nie dodatkiem.
  • Dane z kamer samochodowych (dashcam) — nagrania z pojazdów w ruchu, używane jako materiał treningowy. Wayve buduje na nich generatywny model świata.
  • Rekonstrukcja przestrzeni — zamiana zdjęć albo skanów realnego miejsca w model 3D. To na tym etapie przydają się zbiory danych zbierane przez aplikacje konsumenckie.

Te cztery elementy razem tłumaczą, dlaczego firmy od gier mobilnych i firmy od samochodów autonomicznych nagle konkurują o tę samą technologię: wszystkie potrzebują wyuczonego modelu fizyki i wszystkie mają dane, z których da się go zbudować.

Dlaczego nie wystarczy trenować robota w prawdziwym pomieszczeniu?

To najoczywistsze pytanie: jeśli robot ma pracować w kuchni, niech się uczy w kuchni.

Ograniczeniem jest liczba prób. McClendon mówi o milionach symulacji na jedno pomieszczenie. Fizyczny robot wykonujący jedną próbę na minutę potrzebowałby na to lat, zużywając przy tym przekładnie i akumulatory. Symulacja przesuwa koszt z mechaniki na obliczenia.

Drugi problem dotyczy przypadków, których nie wolno wywołać celowo. Jamie Shotton, chief scientist w Wayve, wskazuje wymóg: „model świata musi umieć reagować na działania, które podejmujemy w świecie, więc musi rozumieć fizykę, przyczynę i skutek oraz to, jak inne obiekty i ludzie zmieniają swoje działania w odpowiedzi na nasze”. Firma odtwarza w modelu niebezpieczne drogi i warunki, których przetestowanie na żywo byłoby niepraktyczne.

Trzecia rzecz to koszt danych — i tu rachunek przenosi się na ludzi. Reece Rogers, piszący dla Wired, opisuje własny eksperyment: przypiął iPhone'a do czoła i nagrał godziny wideo w swoim mieszkaniu, rejestrując składanie prania, zmywanie i nalewanie napoju, a następnie sprzedał te nagrania przez aplikację za — jak to określa — marną stawkę. Im więcej firm buduje modele świata, tym więcej takiej pracy na zlecenie będzie potrzebne.

Czy to już działa?

Częściowo — technologia jest w produkcji u firm od pojazdów autonomicznych, ale zastosowania konsumenckie pozostają zapowiedzią. Wayve ma działający generatywny model świata trenowany na nagraniach drogowych. Robotyka domowa i samochody bez kierowcy mają według materiału Wired przyspieszyć dopiero w 2027 roku.

Twarde potwierdzenie przynosi strona transakcyjna. TechCrunch podał 28 września 2026 r., że AMD przejmie World Labs, startup Fei-Fei Li, za 8,2 mld USD — ta sama firma w lutym 2026 r. zebrała 1 mld USD. Yann LeCun, były chief AI scientist w Meta, prowadzi własny startup od modeli świata (AMI Labs), a Wired podaje, że pozyskał na niego ponad miliard dolarów. Tencent inwestuje we własne modele świata po stronie gier.

Czego nie wiadomo: materiał nie podaje żadnych liczb jakościowych ani benchmarków. To przegląd rynku i zastosowań, nie porównanie techniczne konkretnych modeli.

Dlaczego to ważne?

Modele świata są pierwszą gałęzią AI, która dla większości ludzi zadziała bez żadnego interfejsu. Nie będzie okna czatu ani promptu — będzie samochód, który inaczej hamuje, i robot, który inaczej chwyta. Jednocześnie koszt wejścia przenosi się z obliczeń na dane fizyczne, a te ktoś musi fizycznie nagrać. To tworzy nową, słabo opłacaną kategorię pracy.

8,2 mld USDcena, jaką AMD płaci za World Labs — startup od modeli świata założony przez Fei-Fei LiTechCrunch, 28 września 2026

Co dalej?

  • Rok 2027 wskazany w materiale Wired jako moment rozszerzenia robotyki domowej i pojazdów bez kierowcy — oba segmenty zależne od postępu w modelach świata
  • Przejęcie World Labs przez AMD za 8,2 mld USD, ogłoszone 28 września 2026 r. według TechCrunch, przenosi technologię modeli świata do portfolio producenta układów
  • Zidentyfikowane ryzyko: skala zapotrzebowania na nagrania codziennych czynności rośnie szybciej niż stawki za ich dostarczanie, co materiał Wired dokumentuje na własnym przykładzie

Źródła

Udostępnij ten artykuł

Powiązane artykuły