Trong năm qua, “mô hình thế giới” đã trở thành một trong những từ ngữ bị lạm dụng nhiều nhất trong ngành AI. Có thể tạo ra video liên tục, gọi là mô hình thế giới; cho phép người chơi bước vài bước trong khung hình, cũng gọi là mô hình thế giới; robot, tạo video, 3D, trí tuệ nhúng — những hướng đi hoàn toàn khác nhau — đều đang dán nhãn này lên mình. Từ này nghe càng ngày càng to lớn, nhưng ý nghĩa lại ngày càng mờ nhạt. World Labs trước đây đã làm một việc hơi gây khó chịu cho các đối thủ cạnh tranh: họ率先 đặt ra một tiêu chuẩn cho “mô hình thế giới”. Chỉ tạo ra được điều bạn nhìn thấy ở mắt tiếp theo thì chưa đủ; một hệ thống ít nhất phải biết vật thể nằm ở đâu, chúng có mối quan hệ gì với nhau và trạng thái thay đổi như thế nào, mới bắt đầu tiến gần đến việc mô phỏng một thế giới. Đây cũng là lý do tôi viết bài viết này. Ranh giới tiếp theo của mô hình thế giới có thể không nằm ở mức độ chân thực của hình ảnh được tạo ra, mà ở việc mô hình có một thế giới nội tại mà máy móc có thể đọc, đo lường và thao tác hay không. Atlas vẫn còn rất xa mới giải quyết được vấn đề này, nhưng ít nhất nó đã đặt đúng vấn đề. Còn nhiều thứ được gọi là mô hình thế giới ngày nay, khi nhìn lại, có thể cuối cùng chỉ là các trình tạo video nâng cao hơn.