В сообществе ИИ есть вопрос, который постоянно поднимается, но до сих пор не получил удовлетворительного ответа: понимают ли большие модели физический мир на самом деле?
Если вы спросите GPT: «Что произойдет, если стеклянный стакан упадет со стола?», он выдаст вам гладкий и связный ответ. Но если попросить его предсказать траекторию скатывания объекта неправильной формы по наклонной плоскости — скорее всего, он начнет уверенно нести чушь.
Именно это направление пытается освоить PhysBrain 1.0.
Что такое «интуитивная физика»?
Человеческие младенцы уже в возрасте нескольких месяцев способны понимать: подвешенный в воздухе мяч должен упасть, два объекта после столкновения разлетятся, а предмет, который чем-то закрыт, не исчезнет просто так. Эту физическую интуицию, не требующую специального обучения, когнитивные ученые называют «интуитивной физикой» (Intuitive Physics).
Современные большие модели, по сути, занимаются статистическим сопоставлением языковых паттернов. Если модель сталкивается с чем-то, чего не видела в обучающих данных, она просто придумывает ответ, который звучит правдоподобно.
Ключевая идея PhysBrain 1.0 заключается в следующем: вместо того чтобы заставлять модель «угадывать» законы физики в текстовом пространстве, лучше позволить ей напрямую «видеть» их в визуальном пространстве.
Технологический маршрут: от генерации видео к физической проверке
Архитектура PhysBrain включает несколько ключевых решений:
Во-первых, генерация видео как носитель физического рассуждения. Модель выводит не текстовое описание, а последовательность видеокадров. Это означает, что физические ограничения могут быть напрямую отражены на уровне пикселей: если один объект пройдет сквозь другой, это будет сразу заметно в видео.
Во-вторых, механизм проверки физической согласованности. Система проверяет, соответствует ли сгенерированное видео базовым законам физики: сохранению объектов, реакции на столкновения, гравитационным эффектам и т.д. Не соответствует? Тогда видео генерируется заново. Цикл «генерация — проверка — коррекция» по своей сути имитирует когнитивный процесс человека при наблюдении за физическим миром.
В-третьих, масштабные данные физических сцен. Для обучения PhysBrain требуются огромные объемы размеченных видео с физическими взаимодействиями — не случайные короткие ролики из интернета, а тщательно спроектированные наборы данных, охватывающие широкий спектр физических явлений.
Почему это важно?
Многие могут подумать: ИИ умеет писать стихи, программировать и решать математические задачи, так ли важно, понимает ли он физику?
Ответ: чрезвычайно важно.
Потому что все приложения ИИ, требующие взаимодействия с реальным миром — робототехника, автономное вождение, промышленная автоматизация — строятся на понимании физических законов. ИИ, не понимающий физику, может написать красивый отчет, но он не сможет управлять роботизированной рукой.
Более глубокая проблема заключается в том, что понимание физических законов — это обязательный путь к общему искусственному интеллекту. Если ваш ИИ не может стабильно понимать и предсказывать даже такие базовые закономерности, как «тяжелые предметы падают вниз», то до истинного «понимания мира» ему еще очень далеко.
Взаимосвязь с подходом LLM
PhysBrain не следует пути чистых языковых моделей, но это не означает, что подход LLM ошибочен. Однако между ними существует интересная взаимодополняющая связь:
- LLM преуспевают в семантическом рассуждении, поиске знаний и логическом выводе
- Модели физического рассуждения сильны в пространственном понимании, прогнозировании движений и причинно-следственном анализе
Возможно, будущие системы общего ИИ объединят эти две способности — создав систему, которая умеет не только мыслить, но и «воображать» физические процессы.
Открытые вопросы
PhysBrain 1.0 — это начало, а не конец. Вот несколько вопросов, заслуживающих внимания:
Стоимость масштабирования. Типы данных, необходимые для обучения моделей физического рассуждения, кардинально отличаются от тех, что используются для LLM. Стоимость получения и разметки высококачественных видео с физическими взаимодействиями на данный момент остается открытым вопросом.
Способность к обобщению. Хорошие результаты в физических сценах, охваченных обучающими данными, не гарантируют успешной работы в совершенно новых условиях. Способность человека к интуитивной физике во многом обусловлена тем, что мы можем абстрагировать универсальные законы из ограниченного опыта. Сможет ли ИИ сделать то же самое?
Критерии оценки. Как определить, что система ИИ действительно «понимает» физику? На данный момент не существует широко признанных бенчмарков, аналогичных GLUE или MMLU.
В заключение
Самое захватывающее в PhysBrain 1.0 — это не конкретные технические метрики, а то, что он выбрал путь, отличный от мейнстримных LLM.
За последние три года вся индустрия практически вложила все ресурсы в направление «масштабного языкового предобучения». PhysBrain напоминает нам: интеллект — это не только языковые способности. Понимание физического мира также является ключевым компонентом интеллекта.
Этот путь может оказаться сложнее: данные труднее получить, оценку проводить труднее, а путь к коммерциализации более размыт. Но именно из-за этой сложности, если путь будет пройден успешно, создаваемые барьеры будут значительно выше.
За этим определенно стоит следить.