«Ideen om at du skal utvide språkmodellenes evner til de får menneskelig intelligens, er komplett tull» — Yann LeCun, tidligere sjefforsker for KI i Meta
Sitatet, gjengitt av Ars Technica fra et Wired-intervju tidligere i år, er inngangen til en gjennomgang av kategorien verdensmodeller. Ars har snakket med tre forskere som jobber med teknologien: Vincent Sitzmann ved MIT, Anastasis Germanidis i Runway og Ben Mildenhall i World Labs. Der språkmodeller jobber med tekst, forsøker verdensmodeller å simulere den fysiske verden, eller i det minste en nyttig tilnærming til den.
Den mest konkrete observasjonen fra samtalene handler om rekkefølgen. Språkmodeller som produkt startet med et grensesnitt, chatten, og lette etter et bruksområde etterpå. De store aktørene innen verdensmodeller går motsatt vei: de starter med konkrete bruksområder i robotikk, forskning og generering av 3D-innhold, mens det fortsatt er uklart hvordan grensesnittene og verktøyene til slutt kommer til å se ut.
LeCun snakker ikke bare for seg selv. Han representerer en del av fagfeltet som ser verdensmodeller som et svar på språkmodellenes begrensninger, selv om forskningen på dem er eldre enn den fortellingen. Samtidig er parallellene mange, både i arkitektur og i forventningen om at modellene blir bedre med skala.
For deg som bygger, betyr det at kategorien foreløpig ikke har noe API du kan peke en agent mot. Det som er verdt å følge er hvilke bruksområder som faktisk leverer først, for det er de som avgjør hvilke grensesnitt resten av oss ender opp med å bygge mot.