Sofia śledzi pieniądze, regulacje i platformy, które kształtują to, co mogą tworzyć twórcy.
Otrzymuj na maila najważniejsze historie tygodnia o AI i sztuce AI — wyselekcjonowane, zwięzłe, za darmo.
Za darmo. Wypisz się w każdej chwili.
Wybierz towarzysza i poznaj jego zdanie na temat tej historii
Startupy tworzące modele świata dysponują ogromnymi rundami finansowania i ogromnym rozgłosem — i nie mówią prawie nikomu, w tym własnym dostawcom danych, co tak naprawdę budują.
Według TechCrunch, nieprzejrzystość w tym sektorze jest niezwykła nawet jak na standardy branży AI. Założyciele odmawiają opisywania swoich architektur. Dostawcy danych twierdzą, że podpisali umowy, ale nie mają wglądu w to, jak ich treści są wykorzystywane. Potencjalnych klientów korporacyjnych prosi się o deklarację zainteresowania bez udostępnienia dokumentacji technicznej.
Modele świata — systemy AI trenowane do symulowania środowisk, fizyki lub interaktywnych scen, a nie tylko generowania statycznych wyników — są pozycjonowane jako warstwa infrastruktury pod przyszłymi narzędziami generatywnymi. To sprawia, że tajemniczość jest bezpośrednio istotna dla każdego, kto dziś buduje na bazie generowania obrazów lub wideo przez AI. Jeśli bazowe platformy modeli świata są nieprzejrzyste co do swoich danych treningowych, twórcy, którzy ostatecznie będą od nich zależeć, dziedziczą te same ryzyko prawne i jakościowe — bez informacji potrzebnych do ich oceny.
Firmy tworzące modele świata zbierają znaczący kapitał, zachowując swoje architektury i potoki treningowe niemal w całkowitej tajemnicy.
Obraz: TechCrunch / TechCrunch AI
Dynamika finansowania jest tu warta wyraźnego nazwania. Inwestorzy wyceniają te firmy na podstawie wizji i zespołu, a nie weryfikowalnych twierdzeń technicznych — bo na stole nie ma prawie żadnych weryfikowalnych twierdzeń technicznych. To akceptowalna pozycja w rundzie venture, ale przenosi ryzyko w dół łańcucha. Przedsiębiorstwa integrujące API modeli świata w produkcyjnych potokach, a także narzędzia kreatywne zbudowane na ich bazie, będą musiały w końcu rozliczyć się z tym, co faktycznie kryje się w tych systemach.
Dostawcy danych są w szczególnie słabej pozycji. Gdy firma nie może powiedzieć, do czego trenuje twoje dane, nie możesz sensownie negocjować tantiem, atrybucji ani wyłączności. Spór między Microsoft a OpenAI dotyczący scrapingu danych pokazał, jak poważnie mogą eskalować spory o pozyskiwanie danych, gdy wychodzą na jaw w postępowaniach sądowych — a firmy tworzące modele świata gromadzą to samo ukryte ryzyko za znacznie grubszym murem milczenia.
Tajemniczość uniemożliwia również niezależną ocenę bezpieczeństwa, która stała się żywą debatą na granicy możliwości technologicznych. Dążenie Anthropic do audytów zewnętrznych i własne ujawnione incydenty związane z błędnym dopasowaniem OpenAI przynajmniej stworzyły pewien publiczny zapis. Firmy tworzące modele świata nie generują natomiast żadnego takiego zapisu.
Dla twórców korzystających z narzędzi do generowania obrazów i wideo na platformach takich jak generator AI Charmloop praktyczną konsekwencją jest luka w procesie due diligence. Gdy nowe narzędzie generatywne ogłasza możliwości modelu świata — bogatszą spójność 3D, trwałą pamięć scen, generowanie interaktywnych środowisk — nie ma obecnie żadnego publicznego benchmarku ani ujawnienia architektury, na podstawie których można by ocenić to twierdzenie. Twórcy są proszeni o testowanie i wdrażanie na wiarę.
To nie jest bez precedensu. Fala modeli dyfuzyjnych z lat 2022–23 przyniosła podobny wzorzec: zamknięte potoki, kwestionowane dane treningowe i luki jakościowe, które stały się widoczne dopiero po tym, jak twórcy zbudowali już przepływy pracy wokół konkretnych narzędzi. Różnica polega teraz na skali. Firmy tworzące modele świata zbierają finansowanie przy wycenach sugerujących, że staną się infrastrukturą, a nie tylko aplikacjami — co oznacza, że nieprzejrzystość narasta w miarę przesuwania się w dół stosu.
Konkretną zależnością, którą warto obserwować, jest publikacja benchmarków. Dopóki firmy tworzące modele świata nie opublikują odtwarzalnych ocen — dotyczących spójności scen, wiarygodności fizycznej i pochodzenia danych treningowych — twórcy i platformy budowane na ich bazie działają bez informacji potrzebnych do podejmowania uzasadnionych decyzji. To, czy presja konkurencyjna czy nadzór regulacyjny wymusi to ujawnienie jako pierwszy, jest pytaniem determinującym harmonogram.