Ha valaha feltöltöttél gameplay videót, lehet, hogy nem csak szórakoztatásra jó: egyesek szerint pont az ilyen adatok segíthetnek áthidalni azt a rést, ahol a mai AI-k elvéreznek — a fizikai világ megértését.

Mi történt

A General Intuition nevű, New York-i startup arra építi a stratégiáját, hogy a „nagy nyelvi modellek” (LLM-ek — olyan rendszerek, mint a ChatGPT vagy a Claude, amelyek óriási mennyiségű szövegből tanulnak) nem tudják elég mélyen megragadni, hogyan működik a világ térben és időben. Szövegben erősek, de amikor mozgásról, ok-okozatról, tárgyak viselkedéséről és valós környezetben történő döntésekről van szó, sokszor „papíron okosak”, a gyakorlatban viszont bizonytalanok.

A cég erre a hiányra „világmodellekkel” válaszol. Gondolj a világmodellre úgy, mint egy belső szimulátorra: nem csak válaszol, hanem próbálja előre jelezni, mi fog történni, ha valaki/valami lép egyet, elfordul, megfog egy tárgyat, vagy változik a környezet. A General Intuition szerint ehhez különösen jó tanítóanyag lehet a játékadat, mert a játékokban rengeteg helyzet van mozgással, taktikával, térérzékeléssel, és mindez nagy mennyiségben, strukturáltan keletkezik.

A vállalat most jelentős tőkét vont be: 320 millió dolláros finanszírozási kört zárt, és a cég értékelése 2,3 milliárd dollárra nőtt. A befektetők között szerepel Coatue, Eric Schmidt, illetve több, nagynevű kutatói háttérrel rendelkező szereplő is.

Miért fontos

Ez a megközelítés azt jelzi, hogy az AI fejlődése nem feltétlenül „még több szöveg, még nagyobb modell” irányba megy tovább, hanem egyre inkább a fizikai világban használható képességek felé. Ha a világmodellek tényleg jobban tanulnak játékadatokból, az felgyorsíthatja a robotikát és az úgynevezett „fizikai AI”-t: olyan rendszereket, amelyek nem csak beszélnek a világról, hanem képesek benne cselekedni is. A hétköznapi felhasználónak ez közvetve lehet fontos: a raktár- és irodai robotoktól kezdve a járművek asszisztens rendszerein át sok minden azon múlik, mennyire tud egy AI stabilan „józan paraszti ésszel” tájékozódni térben-időben.

Mire figyelj

  1. Adat és beleegyezés: a „gaming data” nem csak nyers képkockákból állhat, hanem viselkedési mintákból is (reakcióidő, döntési útvonalak). Kulcskérdés, hogy milyen adatokat használnak fel, milyen jogalapon, és mennyire átlátható a felhasználók számára.
  2. Duál felhasználás (civil vs. védelmi): ugyanaz a technológia, ami egy robotot megtanít „hidegen” eligazodni egy irodában, később védelmi célokra is alkalmassá válhat. A TechCrunch anyaga is utal rá, hogy itt etikai határvonalak húzódnak, és érdemes figyelni, milyen vállalásokat tesz a cég a felhasználási korlátokról.
  3. Munkaerőpiaci mellékhatások: a cég Nerve nevű piactere gamereket kötne össze adatcímkézési és teleoperációs feladatokkal. A teleoperációt képzeld el úgy, mint „távoli kézi vezérlést”: amikor egy ember segít egy robotnak vagy rendszernek végrehajtani feladatokat, és közben a gép tanul. Ez egyszerre lehet új bevételi csatorna és egy átmeneti megoldás, de a minőségbiztosítás, a bérezés és a munkakörülmények itt is sarkalatos pontok.

A nagy kérdés az, hogy a játékadatokból épített világmodellek valóban általánosabb, megbízhatóbb „fizikai józanságot” adnak-e az AI-nak — vagy csak egy újabb adatforrás lesz a sok közül, ami bizonyos feladatokban látványos, másokban viszont gyorsan plafonba ütközik.