Что такое World Model («мировая модель»)? Как её можно использовать для переворота мира, как она работает: противостояние четырех техногигантов и спорные вопросы

Мировые модели (World Model) позволяют ИИ построить внутреннюю модель «как устроен мир» — он понимает пространство, физику и причинно‑следственные связи, предсказывая следующий этап существования мира, а не просто, как большие языковые модели, прогнозируя следующее слово. Они уже нашли применение в беспилотниках, роботах и игровых сценариях, но реалистичная картинка не равна физической корректности, и вопрос — какой путь вернее ведёт к AGI — у LLM или у мировых моделей — до сих пор остаётся одним из главных споров в индустрии.
(Предыстория: Ли Фэйфэй о следующем шаге для LLM: ИИ должен иметь «пространственный интеллект», чтобы понимать реальный мир. Как модель Marble это реализует?)
(Дополнение по контексту: Serenity: мировые модели — крупнейший консенсус в AI-кругах; китайский капитал уходит от базовых моделей и переводит курс в физический ИИ)

Оглавление

Toggle

• Что такое мировая модель?
• Чем мировая модель отличается от крупной языковой модели (LLM)?
• Как работают мировые модели? Латентное пространство и «предсказание следующего момента»
• Битва мировых моделей в 2026: на что ставят четыре гиганта?
• Что могут мировые модели? Реальные кейсы для беспилотников, роботов и игр
• Споры и ограничения мировых моделей: она правда сильнее LLM?
• Будущее мировых моделей: ещё один путь к AGI?

Мировая модель (World Model) — одно из самых часто упоминаемых, но при этом чаще всего неверно понимаемых терминов в сфере ИИ. Одной фразой: мировая модель — это система, позволяющая ИИ построить внутреннюю модель «как устроен мир», чтобы он понимал пространственные, физические и причинно‑следственные связи и на их основе предсказывал, что произойдёт дальше.

Это не та же технологическая линия, что знакомые всем ChatGPT, Claude и другие большие языковые модели (LLM): LLM предсказывает «следующий токен (слово)», а мировая модель — «следующее состояние мира».

Что такое мировая модель?

Мировая модель (World Model) — в простых словах это технология, которая учит ИИ делать «внутренние симуляции». Например, перед тем как перейти дорогу, человек автоматически проигрывает в голове сценарий: «Если я сейчас сделаю шаг, через сколько секунд машина будет уже у меня перед глазами?» Этот прогоночный сценарий не требует реального выхода на дорогу и попытки один раз «проверить на месте».

Мировая модель пытается дать ИИ такую же способность: сначала смоделировать внутри различные варианты, а затем принять решение о следующем шаге, а не каждый раз проводить пробы в реальном мире.

Профессор компьютерных наук Стэнфордского университета и один из ключевых ориентиров в AI Ли Фэйфэй разложила функции мировых моделей на три части:

• генерация (generation)
• понимание (understanding)
• симуляция и взаимодействие (simulation/interaction)

Основанная ею World Labs создает продукт Marble, который как раз делает ставку на третью часть — симуляцию и взаимодействие. Это считается самым ключевым и самым сложным звеном всей технологической цепочки: «сгенерировать красивую картинку» не так уж трудно; трудно — создать пространство, куда можно зайти, с которым можно взаимодействовать, и при этом чтобы физическая логика была адекватной.

Почему этот тренд особенно резко разогнался в 2026 году? Частично из‑за того, что у LLM появилась заметная тревога по поводу «потолка возможностей». Когда «цепочка текстовых продолжений» становится всё более очевидно ограниченной, часть исследователей переключает ставки на другую линию: чтобы ИИ учился не только имитировать, как люди описывают мир, а напрямую понимать «сам мир».

Сначала стоит прояснить один частый миф: мировая модель не предназначена, чтобы заменить LLM для диалогов или письма. Она решает совершенно другую задачу — пространственное рассуждение, физическую симуляцию, планирование действий. Поэтому она и начала приземляться раньше всего в тех областях, где нужно понимать физический мир: беспилотники, роботы и игры, а не чат‑боты.

Чем мировая модель и большая языковая модель (LLM) отличаются?

Большие языковые модели (LLM) построены на архитектуре Transformer. Их работа — предсказывать «следующий token (токен)» в последовательности. Проще говоря: после того как LLM увидела огромный объём текста, она учится «какой следующий символ или слово наиболее вероятно продолжит фразу», и все вычисления происходят в «текстовом пространстве».

Она никогда не «видела» и не «симулировала» физический мир по-настоящему: внутри нет гравитации, нет столкновений, нет координат пространства — есть только статистические связи между словами.

Мировая модель идёт другим путём. В качестве примера — JEPA, предложенная Yann LeCun: модель не предсказывает каждую пиксельную деталь исходного изображения и не предсказывает токены текста, а вместо этого в «латентном пространстве» предсказывает абстрактные представления будущего состояния.

По‑простому: она сначала активно отбрасывает несущественные детали шума (например, блик на фоне на стене), оставляя только то, что нужно для понимания этого мира: в какую сторону катится мяч, сколько ещё секунд до поворота доедет машина к перекрёстку. Поскольку выход опирается на явно определённое и проверяемое внутреннее состояние, если то, что модель «думает» внутри, не совпадает с тем, что она выдаёт наружу, такие несоответствия заметить относительно легче — это то, что трудно для LLM.

Различия между двумя подходами можно быстро сравнить в таблице:

| Сравнительный проект | | --- | Большая языковая модель (LLM) | Мировая модель (World Model) | | --- | --- | | Цель прогнозирования | Следующий token (текст) | Следующее состояние мира | | Пространство, в котором работает | Текст / языковое пространство | Латентное пространство (latent space) | | Ключевая архитектура | Transformer | JEPA, диффузионные модели, автогенеративные Transformer и т. п. | | Понимание физики | Не симулирует физику, без внутренней модели мира | Учит правилам физики: перемещение объектов, столкновения, гравитация и т. д. | | Типичные ошибки | Галлюцинации (у большинства моделей всё ещё выше 15%) | Визуально правдоподобно, но физически может быть неверно | | Примеры приложений | Диалоги, написание текстов, генерация кода | Симуляция для беспилотников, обучение роботов, исследуемые 3D‑миры |

Важно напомнить: «выглядит правдоподобно» не означает «физически правильно». В мире моделей, построенных на генерации видео, обучающие цели более напрямую ориентированы на «насколько похоже на правду», и не гарантируют оптимизацию «насколько физически корректно». В сценариях вроде беспилотников и роботов, где коэффициент допустимых ошибок крайне низок, это ключевое отличие и один из центров будущих споров.

Как работает мировая модель? Латентное пространство и «предсказание следующего момента»

Чтобы понять логику работы мировой модели, нужно сначала разобраться в двух терминах: латентное пространство и предсказание следующего момента.

Латентное пространство — в простых словах это то, что ИИ «сжимает» видимую сцену в набор абстрактных чисел, оставляя только данные, полезные для понимания мира, и отбрасывая лишний визуальный шум.

Например, в кадре с видеорегистратора латентное пространство может сохранять лишь абстрактное описание вроде «впереди есть машина, дистанция сокращается, скорость средняя», не фиксируя цвет каждой отдельной листвы. Выгода в том, что вычислительная нагрузка резко снижается, а модель учится «закономерностям», а не механически запоминает картинку.

Когда есть латентное пространство, следующий шаг — «предсказание следующего момента»: при задании текущего состояния и добавлении действия (например, поворот руля влево) модель должна предсказать, как будет выглядеть следующее состояние.

Дальше этот процесс итеративный: получается внутренний симулятор, который умеет «прокручивать время вперёд». ИИ получает текущую ситуацию — в голове он прогоняет несколько возможных будущих исходов и решает, какое действие выбрать, не обязуясь столкнуться с реальным миром, чтобы узнать результат.

JEPA (Joint Embedding Predictive Architecture, совместная предиктивная архитектура вложений) — сейчас один из самых показательных вариантов этой логики. Её предложили Yang LeCun в работе 2022 года «A Path Towards Autonomous Machine Intelligence».

Главный тезис JEPA: вместо того чтобы заставлять модель генерировать каждую пиксельную деталь (это и тратит вычислительные ресурсы, и легко уводится шумом, не относящимся к делу), лучше напрямую сравнивать на абстрактном уровне — совпадает ли «предсказанное будущее» с «реальным будущим».

Поэтому LeCun говорит, что мировая модель делает ошибки «обнаруживаемыми»: выход должен согласовываться с определённым внутренним представлением. Если несоответствие есть, это сигнал, а не как у LLM, где ошибка может тихо смешаться в целой строке текста, выглядящей гладко.

Но латентное пространство — не панацея. Решение о том, какие детали отбрасывать, а какие сохранять, — это инженерный выбор без универсального ответа: отбросить слишком многое — значит исказить симуляцию; отбросить слишком мало — и вы упрётесь в вычислительную неэффективность. Именно это расхождение — одна из главных точек спора в архитектурных решениях разных мировых моделей.

Битва мировых моделей в 2026: на что ставят четыре гиганта?

В гонке мировых моделей 2026 уже сосредоточены самые весомые игроки индустрии, а объёмы денег настолько велики, что говорят: это не просто временный технологический хайп.

World Labs, основанная Ли Фэйфэй, стала одной из первых компаний, которая вышла в широкий круг. В сентябре 2024 World Labs вышла на публичность раунда: $230 млн привлечения при оценке в $1 млрд; в январе 2026 сообщалось о переговорах нового раунда при оценке около $5 млрд; а 18 февраля 2026 World Labs официально объявила о привлечении $1 млрд. Среди инвесторов: AMD, Autodesk, Emerson Collective, Fidelity, NVIDIA, Sea. Ведущим инвестором выступила Autodesk, вложив $200 млн — это крупнейшая сделка Autodesk за всю историю инвестиций в стартапы.

Итого на данный момент суммарно World Labs привлекла около $1,23 млрд. Флагманский продукт Marble открыл ограниченный beta‑доступ в ноябре 2025, а в феврале 2026 вышел в коммерческую версию. Входом могут быть текст, фото, видео, панорамы или грубая 3D‑модель; выход — навигируемая, с возможностью долговременного хранения и редактирования 3D‑среда. При этом за одно сгенерированное создание формируется сразу два типа сеток: triangle mesh высокой точности для геометрии и collider mesh, предназначенная для детекции столкновений в физическом движке.

Genie 3 от Google DeepMind — сейчас единственная мировая модель, которая действительно делает «интерактивность в реальном времени». В августе 2025 она появилась в формате research preview, а 29 января 2026 была официально опубликована. Её предоставили для пользователей Google AI Ultra в США, параллельно запустив онлайн‑demo Project Genie, где пользователи могут прямо генерировать мир, заходить внутрь и исследовать, а также делать remix‑изменения.

По спецификациям Genie 3 — это автогенеративный (autoregressive) Transformer на 11B параметров, который в реальном времени генерирует миры для свободной навигации: разрешение 720p, 24 кадра в секунду (24fps), при этом консистентность может удерживаться несколько минут без «развалов».

NVIDIA делает ставку на платформенный подход. В январе 2025 компания запустила платформу базовой модели Cosmos, а 1 июня 2026 выпустила Cosmos 3 — заявлено как первый полностью открытый omnimodel. Он использует гибридную архитектуру «Mixture of Experts» (смешение специалистов) на Transformer: объединяет в одной системе визуальное рассуждение, генерацию мира и предсказание действий. Система охватывает разные модальности: текст, изображения, видео, окружающие звуки, действия и т. д.

Масштаб обучающих данных впечатляет: около 20 трлн tokens мультимодальных данных, включая почти 1 млрд изображений и 400 млн настоящих и синтезированных видео. NVIDIA заявляет, что цикл обучения и оценки physical AI (физического ИИ) удалось сократить с прежних нескольких месяцев до нескольких дней. Под Cosmos 3 также выделяются варианты Super (для роботов и беспилотников, с высокой точностью), Nano (ориентирован на экстремальную скорость) и Edge. NVIDIA собрала и альянс Cosmos Coalition — в него вошли Runway, Black Forest Labs, Skild AI и другие компании.

Самый драматичный ход — у Yann LeCun. В ноябре 2025 он покинул Meta, где работал 12 лет и был директором FAIR. Вместе с Alexandre LeBrun он основал AMI Labs, штаб‑квартира — в Париже, а офисы — в Нью‑Йорке, Монреале, Сингапуре.

10 марта 2026 AMI Labs объявила о привлечении seed‑раунда $1,03 млрд (около €0,89 млрд), с pre‑money оценкой $3,5 млрд. Это крупнейший seed‑раунд в истории европейских стартапов. Список инвесторов включает Bezos Expeditions, NVIDIA, Samsung, Temasek, Toyota Ventures, а также известных частных инвесторов — Mark Cuban, Eric Schmidt и др. LeCun много лет публично утверждал: «LLM не дотянуть до общего искусственного интеллекта», и теперь, уйдя из Meta, он поставил на мировые модели весь остаток своей карьеры — включая $1,03 млрд.

Роли четырёх команд можно упростить так:

| Компания / команда | | --- | Ключевые фигуры | Представляемые продукты | Последний раунд / масштабы | Технологическая направленность | | --- | --- | --- | --- | | World Labs | Ли Фэйфэй | Marble | суммарно около $1,23 млрд (в феврале 2026 один транш на $1 млрд) | навигационные и долгоживущие генерации 3D‑пространств | | Google DeepMind | команда DeepMind | Genie 3 | поддержка внутренних ресурсов Google | 11B параметров, генерация миров с интерактивностью в реальном времени | | NVIDIA | команда NVIDIA | Cosmos 3 | внутренние ресурсы NVIDIA + альянс Cosmos Coalition | открытая платформа omnimodel, основной фокус — physical AI | | AMI Labs | Yann LeCun | серия исследований JEPA | seed‑раунд $1,03 млрд, оценка $3,5 млрд | JEPA‑архитектура прогнозирования в латентном пространстве, самая агрессивная теоретическая линия |

Технологические маршруты четырёх компаний не полностью совпадают: World Labs делает упор на прикладные 3D‑продукты, Genie 3 — на интерактивность в реальном времени, Cosmos 3 — на открытой платформе, AMI Labs — на исследованиях базовой архитектуры. Но общая вера у всех одна и та же:

Следующий прорыв в ИИ не будет только в том, чтобы делать LLM больше; нужен ИИ, который действительно «понимает» мир, в котором он находится.

Что могут мировые модели? Реальные кейсы для беспилотников, роботов и игр

Первые реальные сценарии, где мировые модели приземляются, почти всегда сильно связаны с необходимостью «понимать физический мир». Самый прямой пример — беспилотные автомобили.

Стартап Decart в июне 2026 запускает Oasis 3, который может генерировать в реальном времени высокореалистичные условия вождения длительностью до нескольких часов. Продукт нацелен на то, чтобы помочь беспилотникам тренироваться на тех «редких сценариях», которые в реальности трудно встретить, но они критически важны для безопасности: пешеход, внезапно выбегающий во время ливня; выход встречного транспорта из‑под контроля с уходом на свою/чужую полосу.

API Oasis 3 уже открыт для использования. Стоимость — около 2 цента за секунду. Цель — занять позицию «симуляционного слоя» в цепочке поставок physical AI. Waymo тоже опубликовала в феврале 2026 свою генеративную симуляционную архитектуру — она построена поверх Genie 3. Tesla, NVIDIA, Wayve и другие компании также делают похожие вещи. Ценность такой техники очень прямая: позволить беспилотникам тренироваться снова и снова в «бесконечном числе симуляционных сценариев» без необходимости действительно выезжать на дорогу, чтобы один раз врезаться и извлечь урок.

Роботы — ещё одно ключевое поле боя. Системы вроде Cosmos 3 и Oasis 3 могут генерировать управляемые многопозиционные симуляционные среды. Роботы обучаются в этой виртуальной среде захвату, ходьбе, манипуляциям с объектами и многократно улучшать стратегии действий. Замена сбора данных из реального мира синтетическими данными резко снижает и стоимость, и сроки обучения роботов: те действия, на которые раньше требовались тысячи проб реальных роботов в реальной среде, теперь можно сначала пройти в симуляции.

Игры и контент‑создание — относительно более «приятные» сценарии применения. Genie 3, Marble могут генерировать мир, в который можно зайти и исследовать, из одной текстовой инструкции. Это напрямую полезный инструмент для разработки игровых прототипов и сборки виртуальных сцен. При этом стартапы, которые изначально занимались генерацией видео — вроде Luma и Runway, — тоже начали разворачивать свои «понимающие физику» видео‑модели в сторону мировых моделей. Это показывает, что мировые модели не возникли из ниоткуда как новая ветка: генерация видео просто эволюционирует в «возможную интерактивность и управляемость».

Общая черта у этих кейсов такая: ценность мировых моделей не в «насколько картинка красива», а в том, можно ли их использовать для обучения, симуляции и принятия решений. Именно это и является ключевой границей между мировыми моделями и простыми инструментами генерации видео.

Споры и ограничения мировых моделей: правда ли они сильнее LLM?

Самая заметная ставка внутри лагеря мировых моделей — у Yann LeCun. Покинув Meta, основав AMI Labs и подняв seed‑раунд $1,03 млрд, он по сути поставил всю свою карьерную линию на один вывод: путь LLM никогда не приведёт к общему искусственному интеллекту, выход — в мировых моделях. Это не является консенсусом в индустрии.

На стороне оппонентов громче всего звучит CEO Anthropic Dario Amodei. Его позиция: если продолжать наращивать масштаб моделей и добавлять постепенные улучшения в архитектуре, то сам LLM‑подход способен преодолеть текущие ограничения, и в оптимистичном сценарии в 2026 может появиться скачок способностей, который он описывает как «царство талантов в дата‑центре».

Иными словами: одна сторона считает, что потолок по текущей траектории уже виден, и нужно менять маршрут; другая — что потолка ещё нет, и нужно продолжать ускоряться. На данный момент у обеих сторон нет решающего доказательства, которое бы смогло убедить другую. В некотором смысле обе стороны делают ставку реальными деньгами на вопрос, у которого ещё нет ответа.

У самих мировых моделей тоже есть слабые места. Как говорилось выше, архитектура латентного пространства делает ошибки «легче обнаруживаемыми» за счёт внутренней несогласованности, но это не значит, что мировые модели не ошибаются. Они решают вопрос «можно ли поймать ошибку», а не «будут ли ошибки вообще отсутствовать». Более важная проблема — что «картинка выглядит правдоподобно» не равно «физически корректно».

Мировые модели на базе генерации видео оптимизируются более напрямую под «насколько похоже на правду», а не обязательно под «насколько логика физики корректна». Траектория катящегося мяча может выглядеть естественно и плавно, но реальные расчёты ускорения и силы трения могут не пройти проверку. Это риск, который нельзя игнорировать в сценариях вроде беспилотников и роботов, где «один неверный ход — это авария».

Есть ещё практические пороги по вычислениям и задержкам. В мировых моделях на базе диффузионных (diffusion) подходов для генерации каждого кадра нужно многократное прохождение через операции по денойзу. Для сценариев, требующих мгновенной реакции — роботов и беспилотников — цена задержки очень высока: решение приходит с опозданием, и в реальном мире это может означать один контакт/лёгкое столкновение.

Кроме того, по оценкам команды Open-Sora, чтобы воссоздать видео‑генеративную модель коммерческого уровня, потребуется примерно $200 тыс. вычислительных затрат. Это лишь порог «воссоздания» уже существующего результата — без разработки с нуля новой архитектуры и вложений в исследования.

Будущее мировых моделей: ещё один путь к AGI?

Если собрать эти подсказки вместе, виден чёткий сигнал индустрии: в 2026 мировые модели уже превратились из академической идеи в гонку, где задействованы десятки миллиардов долларов, а в неё вовлечены самые весомые лица отрасли. Ли Фэйфэй с Marble доказала, что «навигационные 3D‑миры» можно довести до продукта; Google DeepMind с Genie 3 показала, что интерактивные «в реальном времени» технологии реализуемы; NVIDIA через Cosmos 3 сделала это открытой платформой и пытается закрыть всю цепочку physical AI; а LeCun поставил на свою карьеру весь путь решения «LLM не дотянутся до AGI» — через AMI Labs и крупнейший европейский seed‑раунд.

Сможет ли эта ветка реально привести к общему искусственному интеллекту — сейчас никто не может дать точный ответ. Но почти наверняка одно: пока будут расширяться прикладные сценарии вроде беспилотников и роботов, где нужно «понимать физический мир», коммерческая ценность мировых моделей будет подтверждаться дальше — не обязательно дожидаясь окончательного ответа на вопрос «AGI».

Для читателей вместо того чтобы мучиться вопросом «заменят ли мировые модели LLM», разумнее посмотреть иначе: эти две технологические линии, вероятно, будут сосуществовать долго. LLM отвечает за язык и знания, а мировые модели — за пространство и физику, закрывая те задачи, с которыми другая линия справляться плохо не может.

Подводя итог: мировая модель (World Model) — это реальная развилка в AI‑индустрии, которая была выбрана всерьёз. Когда проблема галлюцинаций LLM никак не удаётся окончательно решить, группа ведущих исследователей выбрала ставку на то, чтобы ИИ напрямую понимал физический мир как таковой. От Marble у Ли Фэйфэй, Genie 3 у Google и Cosmos 3 у NVIDIA до AMI Labs, где LeCun поставил на кон всю карьеру: в эту войну уже вложено более $3 млрд.

Станет ли это ещё одной дорогой к AGI — сейчас рано делать окончательные выводы. Но можно уверенно сказать: спор о том, «как ИИ должен понимать мир», только начинается.