За останній рік «світові моделі» стали одним із найчастіше зловживаних термінів у галузі ШІ. Можна назвати світовою моделлю систему, що генерує безперервні відео; можна назвати світовою моделлю систему, що дозволяє гравцеві зробити кілька кроків у сцені; роботи, генерація відео, 3D, ембодід-інтелект — ці повністю різні напрямки — всі намагаються прикріпити до себе цей ярлик. Цей термін звучить все більш вражаюче, але його зміст стає все більш розмитим. World Labs раніше зробили дещо, що можна вважати трохи образливим для колег: вони спочатку встановили стандарт для «світових моделей». Просто генерувати те, що ви побачите наступного разу — цього недостатньо; система повинна принаймні розуміти, де розташовані об’єкти, як вони пов’язані між собою та як змінюються їхні стани, щоб почати наближатися до симуляції світу. Це саме причина, чому я пишу цю статтю. Наступним переломним моментом у розвитку світових моделей може стати не те, наскільки реалістичними є генеровані зображення, а чи має модель внутрішній світ, який може читати, вимірювати та керувати машина. Atlas ще далеко не вирішив цю проблему, але принаймні правильно її сформулював. А багато того, що сьогодні називають світовими моделями, за певний час, можливо, виявиться просто більш просунутими генераторами відео.