„Powiemy, kiedy będziemy gotowi”
Modele symulujące świat (ang. world models) to jeden z najgłośniejszych kierunków w AI. W odróżnieniu od modeli językowych mają uczyć się, jak działa przestrzeń fizyczna: jak poruszają się obiekty, co dzieje się po danym działaniu, jak wygląda otoczenie z innej perspektywy. TechCrunch wymienia ich możliwe zastosowania: robotykę, interaktywne wideo, samochody autonomiczne, tworzenie mediów, środowiska gier i efekty specjalne.
Problem w tym, że firmy rozwijające te systemy prawie nic nie mówią o swoich planach. Michael Rabbat, współzałożyciel AMI Labs – startupu Yanna LeCuna – odpowiada krótko: „Powiemy o tym, kiedy będziemy gotowi”. W e-mailu do TechCrunch dodał, że firma jest wciąż na etapie badań i budowy, więc nie komentuje publicznie planów produktowych ani harmonogramu.
Nieco więcej wiadomo o World Labs, firmie Fei-Fei Li, która pokazała narzędzie Marble do tworzenia mediów i środowisk, po których można się poruszać. To jednak wyjątek. Większość graczy nie ujawnia, w którą stronę zamierza skomercjalizować technologię.
Nasz komentarz: Skoro nawet dostawcy danych nie wiedzą, do czego służą ich zbiory, o postępach tej kategorii AI trudno dziś mówić inaczej niż na podstawie deklaracji.
Dostawcy danych pracują na ślepo
Najciekawszy wątek dotyczy firm, które dostarczają dane treningowe. Alex de Vigan, prezes Physicl, przyznaje, że klienci nie mówią mu, do czego wykorzystują jego zbiory: „Żałuję, że nie mówią nam więcej. Moglibyśmy budować przydatniejsze dane, gdybyśmy wiedzieli, nad czym pracują”.
Naszym zdaniem to więcej niż anegdota. W modelach językowych jakość i dobór danych okazały się jednym z głównych czynników przewagi. W symulatorach świata ta zależność będzie prawdopodobnie jeszcze silniejsza, bo danych o świecie fizycznym – nagrań, pomiarów, zapisów ruchu – jest znacznie mniej niż tekstu w internecie. Jeśli dostawcy nie znają celu, dane mogą rozmijać się z potrzebami modeli, a cały rynek uczy się wolniej.
W naszej ocenie z tej sytuacji wynikają dwie rzeczy:
- Trudne porównania – bez informacji o architekturze, danych i sposobie ewaluacji nie da się rzetelnie ocenić, czy kolejne zespoły rozwiązują ten sam problem, ani kto jest bliżej działającego produktu.
- Większa waga niezależnych testów – im mniej ujawniają twórcy, tym ważniejsze będą pierwsze publicznie dostępne modele i zewnętrzne pomiary ich możliwości.
Tajemnica na wczesnym etapie badań nie jest niczym nowym. Tu jednak dotyczy kategorii, która według jej zwolenników ma być kolejnym dużym krokiem po modelach językowych. Dopóki nie pojawią się produkty do sprawdzenia, ocenę tego kroku trzeba zawiesić.
W skrócie
- Firmy rozwijające modele symulujące świat, m.in. AMI Labs i World Labs, nie ujawniają planów produktowych ani harmonogramu.
- Nawet dostawcy danych treningowych, jak Physicl, nie wiedzą, do czego klienci wykorzystują ich zbiory.
- Bez większej przejrzystości trudno odróżnić realny postęp od oczekiwań budowanych wokół tej kategorii AI.
Opracowanie redakcyjne na podstawie artykułu TechCrunch AI: https://techcrunch.com/2026/09/20/world-model-companies-are-keeping-a-lot-of-secrets/