Kā mākslīgais intelekts iemācās “redzēt” fizisko pasauli: saruna ar pētnieku Džjadžunu Vu

Mūsdienās, kad mākslīgais intelekts spēj ģenerēt fotoreālistiskus attēlus un pārsteidzošus tekstus, rodas pamatjautājums: vai šīs sistēmas patiešām saprot pasauli, kas slēpjas aiz pikseļiem un vārdiem? Vai tās spēj izprast fiziskos likumus, objektu īpašības un to, kā lietas mijiedarbojas reālajā vidē? Šajos jautājumos iegrimst jauns pētniecības virziens, un viens no tā vadošajiem sejiem ir Džjadžuns Vu. Nesenajā intervijā žurnālā AI Matters viens stāsta par savu darbu pie hibrīdu pasaules reprezentāciju atklāšanas, kas varētu būt nākamais lielais solis uz patiesi saprotošu AI.

No attēla uz izpratni: ko nozīmē “redzēt” AI kontekstā?

Lielākā daļa mūsdienu vizuālo modelu, tostarp attēlu ģeneratori, ir apmācīti uz milzīgiem datu kopumiem. Tie ir iemācījušies atkārtot modeļus, saistīt vārdus ar attēliem un radīt pārliecinošu saturu. Taču, kā norāda Džjadžuns Vu, pastāv būtiska atšķirība starp attēla ģenerēšanu un pasaules izpratni. Ja jūs lūdzat modelim uzģenerēt attēlu, kurā bumba nokrīt no galda, tas to droši vien izdarīs. Bet tas nenozīmē, ka modelis saprot gravitāciju, bumbas elastīgumu vai galda virsmas īpašības. Tam trūkst iekšēja, strukturēta modeļa par to, kā fiziskā pasaule darbojas.

“Mēs vēlamies veidot modeļus, kas ne tikai atpazīst modeļus pikseļos, bet arī iegūst iekšēju reprezentāciju par fizikālajām īpašībām un likumiem,” skaidro Vu. “Tas ir kā bērns, kas spēlējas ar rotaļlietām: viņš ne tikai redz to formu un krāsu, bet arī uzzina, ka tā var ripot, ka tā ir cieta, ka to var mest. Mēs vēlamies, lai mūsu modeļi veiktu līdzīgu attīstību.”

Hibrīdu reprezentācijas: apvienojot dažādu veidu zināšanas

Džjadžuna Vu un viņa kolēģu pētījuma kodols ir koncepts, ko dēvē par “hibrīdu pasaules reprezentācijām”. Tas nozīmē, ka viens un tas pats modelis spēj strādāt ar dažādiem zināšanu veidiem vienlaikus:
* **Redzamie dati:** Attēli, video.
* **Fizikālie atribūti:** Objektu forma, masa, tekstūra, elastīgums.
* **Dinamika un likumi:** Kā objekti pārvietojas, saduras, mijiedarbojas.
* **Semantika:** Ko objekti nozīmē, kādi ir to nosaukumi, kādi ir to lietojumi.

Tradicionāli šie aspekti tika pētīti atsevišķi. Datorredze nodarbojās ar attēliem, robotika ar fizisko dinamiku, valodu modeļi ar semantiku. Hibrīdu pieeja mēģina tos sapludināt vienotā sistēmā, kur zināšanas vienā jomā bagātina izpratni citā. Piemēram, zināšanas par to, ka “krūze” ir trauks dzeršanai (semantika), kombinētas ar izpratni par to, ka tā ir cieta un var lūzt, krītot (fizika), ļauj modelim daudz labāk prognozēt, kas notiks videoklipā, vai ģenerēt daudz reālākus attēlus.

Līdzattīstošie pamatmodeļi: mācīšanās caur sadarbību

Sasniegt šādu integrētu izpratni nav vienkārši. Džjadžuns Vu un viņa komanda piedāvā risinājumu, ko sauc par “līdzattīstošo pamatmodelu” (Co-Evolving Foundation Models) pieeju. Ideja ir šāda: tā vietā, lai izveidotu vienu milzu modeli, kas mācās no visa uzreiz, tiek izstrādāti vairāki specializēti modeļi, kas mācās kopā, pastāvīgi apmainoties ar zināšanām.

* **Viens modelis** var specializēties video analīzē, mācoties par kustību un dinamiku.
* **Otrs modelis** var strādāt ar 3D ģeometriju un fizikālajiem atribūtiem.
* **Trešais modelis** var nodarboties ar semantisko un valodu sapratni.

Šie modeļi “komunicē” viens ar otru. Piemēram, fizikas modelis var pateikt attēlu ģenerēšanas modelim: “Ja tu zīmē bumbu, kas atsitās pret sienu, tās trajektorijai jābūt noteiktai, un tā nedrīkst deformēties.” Savukārt, valodu modelis var paskaidrot: “Šis objekts ir ‘bumba’, un to parasti met, ķer vai sit.” Caur šādu pastāvīgu dialogu modeļi līdzattīstas, kļūstot arvien integrētāki un saprotošāki.

Kāpēc tas ir svarīgi? Nākotnes pielietojumi

Šī pētījuma nozīme sniedzas tālu ārpus akadēmiskās intereses. Patiesi saprotošs AI, kas apvieno redzēšanu ar fizisko saprātu, atvērtu durvis uz revolucionāriem pielietojumiem:

1. **Robotika un autonomās sistēmas:** Robots, kas patiešām saprot, ka stikls var salūzt, ka virve ir elastīga un ka slīpa virsma var izraisīt paslīdēšanu, būs daudz kompetentāks un drošāks mājās, rūpnīcā vai uz citas planētas.
2. **Zinātniskie atklājumi:** AI varētu analizēt eksperimentu video un ieteikt jaunus fiziskus likumus vai mijiedarbības, ko cilvēki vēl nav pamanījuši.
3. **Uzlabota satura radīšana:** Videospēlu un filmu vizuālās efektu nozare varētu iegūt rīkus, kas automātiski ģenerē fiziski precīzas ainas – piemēram, reālistisku ugunsgrēku, ūdens plūsmu vai konstrukciju sabrukumu.
4. **Izglītība un simulācijas:** Varētu radīt interaktīvas mācību vides, kur studenti varētu “spēlēties” ar virtuāliem fizikas likumiem, lai apgūtu sarežģītus konceptus.

Izaicinājumi un nākotnes perspektīvas

Džjadžuns Vu atzīst, ka ceļš uz šādu visaptverošu AI ir garš un pilns ar izaicinājumiem. Viena no lielākajām šķēršļiem ir datu trūkums. Savāk milzīgu daudzumu tekstu un attēlu ir salīdzinoši vienkārši, bet savākt detalizētus datus par objektu fiziskajām īpašībām (masa, berze, elastība) to mijiedarbībā reālajā pasaulē ir daudz grūtāk. Pētnieki paļaujas uz specializētiem simulācijas videom, robotu savāktiem datiem un uz gudriem paņēmieniem, kā iegūt šo informāciju no esošiem video.

Neskatoties uz grūtībām, virziens ir skaidrs. Nākamā AI paaudze nebūs tikai “mākslīgi mākslinieki” vai “ātri sekretāri”, bet pakāpeniski kļūs par sistēmām ar dziļāku, strukturētāku izpratni par mums apkārt esošo pasauli. Džjadžuna Vu darbs ar hibrīdajām reprezentācijām un līdzattīstošajiem modeļiem ir viens no akmens pamatiem šai nākotnei. Tas atgādina, ka patiesā intelekta, pat mākslīgā, attīstība nevar iztikt bez izpratnes par to, kā darbojas fiziskā realitāte – tas ir pamats, uz kura balstās visa pārējā saprašana.

Avots: https://aihub.org/2026/02/17/learning-to-see-the-physical-world-an-interview-with-jiajun-wu/