Světové modely: Miliardová sázka umělé inteligence na fyzickou realitu

Za hranicemi textu: Vzniká nový paradigmat

Po celá léta dosahovala umělá inteligence nejvýraznějších pokroků v oblasti jazyka – rozsáhlé modely trénované na textu, schopné psát eseje, odpovídat na otázky a generovat kód. Stále více výzkumníků však tvrdí, že tyto jazykové modely, jakkoli působivé, jsou v zásadě slepé k fyzickému světu. V roce 2026 proudí miliardy dolarů do alternativy: světových modelů, systémů umělé inteligence navržených tak, aby rozuměly a simulovaly trojrozměrnou realitu.

Miliardová sázka Fei-Fei Li

Nejvýraznější signál přišel 18. února, kdy společnost World Labs získala v novém kole financování 1 miliardu dolarů, čímž se hodnota tohoto startupu vyšplhala na přibližně 5 miliard dolarů. Společnost World Labs, založená průkopnicí AI Fei-Fei Li – profesorkou ze Stanfordu, která vytvořila ImageNet a pomohla nastartovat éru hlubokého učení – buduje takzvanou „prostorovou inteligenci“: AI, která dokáže vnímat, uvažovat a generovat soudržné trojrozměrné prostředí.

Mezi investory patří Nvidia, AMD, Andreessen Horowitz a Autodesk, který sám přispěl částkou 200 milionů dolarů. Obě společnosti plánují integrovat technologii World Labs přímo do profesionálních 3D návrhových nástrojů, počínaje zábavním průmyslem. Flagshipový produkt společnosti, Marble, umožňuje uživatelům generovat celé 3D světy z obrázků, videí nebo textových podnětů.

LeCunova kontrární sázka

Jen několik týdnů předtím Yann LeCun, jeden z „kmotrů“ hlubokého učení a dlouholetý vedoucí vědecký pracovník laboratoře umělé inteligence společnosti Meta, oznámil, že po 12 letech opouští společnost, aby založil AMI Labs, a získal 500 milionů eur při ocenění 3 miliardy eur. Startup se sídlem v Paříži a pobočkami v Montrealu, New Yorku a Singapuru je postaven na LeCunově dlouhodobém přesvědčení, že velké jazykové modely jsou slepou uličkou na cestě k obecné inteligenci.

„Škálování LLM nám neumožní dosáhnout AGI,“

opakovaně tvrdil LeCun. AMI Labs bude vyvíjet světové modely pomocí JEPA (Joint Embedding Predictive Architecture), frameworku, který LeCun vyvinul v Meta a který učí AI nepředpovídat další slovo, ale rozumět kauzální dynamice fyzického prostředí.

Interaktivní světy DeepMind

Google DeepMind vstoupil do závodu rozhodným krokem v srpnu 2025 s Genie 3, prvním světovým modelem schopným generovat interaktivní prostředí v reálném čase. Na základě textového podnětu Genie 3 vytváří dynamické, navigovatelné 3D scény s rychlostí 24 snímků za sekundu a rozlišením 720p, přičemž udržuje konzistenci po několik minut – což je dramatický skok oproti limitu 10 až 20 sekund u jeho předchůdce. Časopis TIME jej označil za jeden z nejlepších vynálezů roku 2025. Google jej od té doby zpřístupnil předplatitelům AI Ultra prostřednictvím prototypové webové aplikace s názvem Project Genie.

Šéf DeepMind Demis Hassabis se připojil ke kritice LeCuna: jazykové modely, navzdory silnému benchmarkovému výkonu, postrádají interní modely světa potřebné k zachycení kauzality a fyzikální dynamiky – základů skutečné inteligence.

Proč jazykové modely nestačí

Hlavním argumentem proti LLM je jejich architektura. Tyto modely se učí statistické vzorce v textu; mohou popsat padající předmět, aniž by rozuměly gravitaci. Modely světa se naopak učí předpovídat, jak se prostředí mění v čase v reakci na akce, a vytvářejí vnitřní reprezentaci fyzikální kauzality, kterou jazyk sám o sobě nemůže poskytnout.

Tento rozdíl má dalekosáhlé praktické důsledky. Roboti řízeni modely světa mohou plánovat a provádět fyzické úkoly; prostorová AI může pomáhat architektům, filmařům a vědcům způsobem, který generování textu nedokáže. Otázkou pro rok 2026 již není, zda jsou modely světa důležité, ale jaký přístup, jaká architektura a jaká společnost budou definovat další éru AI.