Runway už nechce být jen továrna na video. Míří na world modely

Runway si udělal jméno na generativním videu. Ostatně, jejich výzkum stál i u zrodu latentní difúze, technologie za Stable Diffusion. Teď ale chtějí víc. Mnohem víc.

CEO Cristóbal Valenzuela mluví o přechodu k world modelům. Co to je? Zapomeňte na AI, která jen dokresluje další snímek videa. Tohle je o něčem jiném.

Představte si to jako rozdíl mezi filmovou kulisou a plnohodnotným fyzikálním enginem ve hře. Kulisa vypadá dobře, ale je statická. World model se snaží být tím enginem.

Cílem je, aby model nechápal svět jen jako sérii pixelů, ale jako systém s pravidly. Musí se naučit kauzalitu a základní fyziku. Když hodíte míč, poletí po parabole. Nezmizí. Nezačne hořet.

Této schopnosti se odborně říká prostorově-časové uvažování (spatio-temporal reasoning). Je to svatý grál. AI musí porozumět objektům, jejich vlastnostem a interakcím v čase a prostoru.

Dnešní modely jsou v tomhle žalostně špatné. Generují vizuálně koherentní scény, ale logika jim uniká. Prsty navíc, mizející objekty. To všechno jsou symptomy chybějícího pochopení světa.

Runway sází na to, že trénink na obrovském množství videí jim pomůže tato pravidla odvodit. Nejde tedy o generování, ale o simulaci.

Technická náročnost je brutální. Nejde jen o tréninková data, ale o samotnou architekturu modelu, která musí být schopná takovou komplexní dynamiku udržet. A výpočetní náklady na inferenci? Astronomické.

Pokud se jim to podaří, aplikace dalece přesahují filmové triky. Mluvíme o autonomních robotech, kteří chápou své okolí, nebo o pokročilých simulacích pro vědecký výzkum.

Je to ale obrovská sázka. Skeptik ve mně se ptá, jestli nejde jen o další rebranding starého problému. Skutečné pochopení světa je řádově těžší než napodobování jeho vzhledu. Uvidíme, jestli Runway doručí kód, nebo jen další prezentaci.