
Языковая модель предсказывает следующий токен. Модель мира предсказывает, что станет с миром после действия.
На вход модели мира (world model) идёт текущее состояние и действие, на выходе следующее состояние, например куда сдвинется предмет. Учат её обычно на видео и записях с роботов.
Устройство видно в статье Ха и Шмидхубера «World Models» (2018). Частей три:
1. Зрение сжимает кадр в короткий вектор, в Doom это 64 числа.
2. Память по вектору и действию даёт вероятности для следующего вектора, то есть несколько вариантов будущего.
3. Контроллер выбирает действие. Сеть маленькая: в игровых гонках напримерв сего 867 (не миллиардов) параметров.
Сейчас заметны два пути.
Genie 3 у DeepMind рисует пиксели: по текстовому промпту строит мир, по которому можно перемещаться в реальном времени, кадр за кадром, 720p и 24 кадра в секунду. Ошибки накапливаются, связным мир остаётся несколько минут.
V-JEPA 2 у Меты пикселей не рисует и предсказывает сжатое представление сцены. Цель роботу задают картинкой, он перебирает варианты действий и выбирает самый близкий к цели. Взять и переставить незнакомый предмет в новой обстановке по серии картинок удаётся в 65–80% случаев. На том же подходе JEPA строит модели мира AMI Labs: её сооснователь Лекун ушёл из Меты, в марте компания подняла $1,03 млрд. CEO компании предупредил, что продукта быстро не будет.
Модель мира нужна там, где важны физика и планирование действий: роботы, беспилотники, трёхмерные сцены. Но это одна из траекторий, куда может прийти развитиее ИИ после LLM, популярных сейчас языковых моделей.
worldmodels.github.io
ai.meta.com/blog/v-jepa-2-world-model-benchmarks
deepmind.google/discover/blog/genie-3-a-new-frontier-for-world-models
techcrunch.com/2026/03/09/yann-lecuns-ami-labs-raises-1-03-billion-to-build-world-models/