Bu hikâye ilham mı verdi? Fikrini saniyeler içinde kendi yapay zekâ sanatına dönüştür — ücretsiz başla, kart gerekmez.
Dünya modelleri — bir çevrenin sadece nasıl göründüğünü değil, zaman içinde nasıl evrimleşeceğini tahmin etmek için eğitilmiş AI sistemleri — AI sanatçılarının günlük olarak güvendiği üretim araçlarını şekillendirmeye başlıyor ve abartı ile gerçeklik arasındaki farkı net bir şekilde anlamak değerli.
Terim gevşek bir şekilde kullanıldığı için kesin bir tanım önemlidir: dünya modeli, mevcut durum ve bir eylem verildiğinde bir çevrenin sonraki durumunu tahmin etmek için eğitilmiş bir AI'dır. Bu statik bir görüntü üreticisi değildir. Bir sahneyi tanımlayan bir dil modeli değildir. Öğrenilmiş bir simülatördür — prensipte zaman içinde ilerleyebilen ve bir nesneyi düşürdükten, bir kapıyı açtıktan veya kamerayı kaydırdıktan sonra ne olacağını gösterebilen bir simülatör.
Ars Technica'nın dünya modelleri üzerine derinlemesine incelemesi robotik, oyun ve üretken AI alanlarındaki araştırmacılardan yararlanarak teknolojinin gerçekte nerede durduğunu haritalıyor. Görüş birliği: dünya modelleri sınırlı, iyi tanımlanmış çevreler — oyun motorları, robot eğitim simülatörleri — için gerçekten faydalı, ancak gerçek dünyanın açık uçlu karmaşıklığına genelleme yapması istendiğinde hızla güvenilmez hale geliyor.
Bu sınırlama video üretimi için doğrudan önemlidir. Sora, Kling ve Wan Video gibi araçlar zaten kareler arasında fiziği makul tutmak için dünya modeli benzeri mimarileri içeriyor. Ancak AI videonun çekim ortasında parmak kazanan bir el veya yokuş yukarı akan bir sıvı ürettiğini izleyen herkes başarısızlık modunu görmüştür: model birkaç saniye sonra kendi simüle ettiği durumun izini kaybediyor.
Statik görüntü üretimi, özünde tek karelık bir tahmin problemidir. Video üretimi sıralı bir problemdir — her kare sonrakiyle ve sahnenin ima ettiği fiziksel kurallarla tutarlı olmalıdır. Dünya modelleri bu problemin mimari cevabıdır, ancak uzmanların belirttiği gibi, dar alanların ötesinde genelleme yapabilmek için çok daha fazla eğitim verisi ve hesaplama gücü gerektirirler.
Bugün AI video araçları kullanan yaratıcılar için pratik sonuç: kısa klipler (beş saniyenin altında) bir arada tutunma eğilimindedir; daha uzun diziler sapma gösterir. Eylemi kısıtlayan komut stratejileri — kamera hareketini minimal tutmak, karmaşık nesne etkileşimlerinden kaçınmak — modelin sınırlı simülasyon ufkunu telafi eder. Bunun bir sonraki güncellemenin sessizce düzelteceği bir hata değil, temel bir mimari kısıtlama olduğunu anlamak, bir projeyi kapsamlandırırken gerçekçi beklentiler belirlemeye yardımcı olur.
Charmloop'un AI görüntü ve video üreticisi ile AI video deneyen kişiler için aynı ilke geçerlidir: daha sıkı sahne açıklamaları ve daha kısa eylem pencereleri, uzun hareket dizileri isteyen açık uçlu komutlardan daha fiziksel olarak tutarlı sonuçlar üretir.
Dünya modellerinin çoğu tartışması video ve robotik üzerine odaklanır. Daha az ele alınan çıkarım sabit görüntü üretimi içindir. Dünya modelinden türetilen sentetik eğitim verisi — hareket eden nesnelerin, değişen aydınlatmanın, kaydırılan kameraların render edilmiş dizileri — görüntü modellerine oklüzyon, derinlik ve yüzeylerin farklı ışık açıları altında nasıl davrandığı konusunda daha zengin bir anlayış verir. Bu veriler üzerinde eğitilen modeller karmaşık kompozisyonları daha iyi ele alma eğilimindedir: bir nesneyi kavrayıp bir el, eğik açıda yansıtıcı bir yüzey, kısmen gizlenmiş bir yüz.
Bu iyileşme, son çıktı tek bir kare olsa bile, daha yeni model nesillerde zaten tespit edilebilir. Charmloop model kataloğunda model sürümleri arasında çıktıları karşılaştırarak zaman geçiren yaratıcılar bunu sınır durumlarında fark edeceklerdir — eskiden uzamsal tutarlılığı güvenilir bir şekilde bozan komut türlerinde.
Araştırmacılar keyfi gerçek dünya sahnelerine güvenilir bir şekilde genelleme yapan dünya modelleri için zaman çizelgesi konusunda bölünmüş durumda. Yakın vadeli bahisler daha dar: daha uzun tutarlı ufukları olan daha iyi video üretim araçları, varlık yaratma maliyetlerini düşürmek için öğrenilmiş simülatörler kullanan oyun motorları ve fiziksel donanım ihtiyacını azaltan robot eğitim hatları.
AI yaratıcıları için en eyleme dönüştürülebilir sinyal, önümüzdeki on iki ay boyunca video üretim araçlarının uzun dizileri nasıl ele aldığını izlemektir. Mimari tavan bilinmektedir; soru mühendisliğin bu açığı ne kadar hızlı kapatacağıdır.
