Τι συμβαίνει όταν ρίξεις ένα ποτήρι από το τραπέζι; Αν ρωτήσεις το ChatGPT, θα πάρεις μια αναλυτική απάντηση βήμα προς βήμα: πώς η βαρύτητα επιταχύνει το αντικείμενο σε μια «παραβολική τροχιά» και γιατί μπορεί να σπάσει «αν η πρόσκρουση δημιουργήσει τάσεις μεγαλύτερες από ό,τι αντέχει το υλικό». Αν ρωτήσεις την 3χρονη κόρη μου, δεν τη νοιάζουν οι λεπτομέρειες: «Θα σπάσει και θα γίνει νερό παντού!»
Όταν όμως μιλάμε για το μέλλον της τεχνητής νοημοσύνης, η διαφορά είναι αποκαλυπτική. Τα μεγάλα γλωσσικά μοντέλα (LLMs) που κινούν τα σημερινά chatbots εκπαιδεύονται σε τεράστιους όγκους κειμένου για να προβλέπουν την επόμενη λέξη σε μια ακολουθία. Σε αντίθεση με τη μικρή Adeline, όμως, κανένα LLM δεν έχει ρίξει ποτέ πραγματικά ένα ποτήρι από το τραπέζι — ούτε έχει πετάξει μακαρόνια σε έναν τοίχο ή έχει οδηγήσει ένα πατίνι σε μια λίμνη. Και αυτό ίσως βάζει έναν θεμελιώδη περιορισμό στις δυνατότητές τους.
Αυτός είναι, ουσιαστικά, ο λόγος που ορισμένοι ερευνητές υποστηρίζουν ότι για να περάσει η AI στο επόμενο επίπεδο δεν χρειαζόμαστε ακόμη μεγαλύτερα LLMs, αλλά «world models»: συστήματα που μαθαίνουν μέσω παρατήρησης, ώστε να προσομοιώνουν τις συνέπειες των πράξεων στον πραγματικό κόσμο.
Τα world models έχουν εξελιχθεί γρήγορα στο επόμενο μεγάλο πεδίο της AI, προσελκύοντας έντονο ενδιαφέρον από τη βιομηχανία και τις επιχειρήσεις, χάρη στην προοπτική τους στη ρομποτική αυτόνομης λειτουργίας. Αυτό που κάνει την προσέγγιση των world models ακόμη πιο ενδιαφέρουσα είναι ότι, θεωρητικά, ανοίγει και δρόμο προς την τεχνητή γενική νοημοσύνη (AGI), δηλαδή μηχανές με ανθρώπινου επιπέδου συλλογισμό που μπορούν να εφαρμοστούν σε ένα ευρύ φάσμα εργασιών.
Το πρόβλημα είναι ότι δύσκολα ξεχωρίζει κανείς την ουσία από την υπερβολή. Ο ίδιος ο όρος «world model» είναι από τη φύση του ασαφής — για κάποιους, προβληματικά ασαφής. Έχει γίνει «κάτι σαν συντομογραφία για όλα όσα τα σημερινά συστήματα AI δεν μπορούν να κάνουν καλά», λέει η Melanie Mitchell από το Santa Fe Institute στο Νέο Μεξικό. Δεν είναι ξεκάθαρο τι ακριβώς πρέπει να μοντελοποιούν αυτά τα συστήματα, πόσο μάλλον αν οι εσωτερικές αναπαραστάσεις της φυσικής πραγματικότητας αρκούν για το είδος της γενικεύσιμης νοημοσύνης που κάνει την 3χρονη να καταλαβαίνει διαισθητικά τι θα συμβεί όταν σπρώξει ένα ποτήρι, ακόμη κι αν δεν μπορεί να εξηγήσει το γιατί.
Για να βγάλουμε άκρη με τα world models στην AI, βοηθά να δούμε τις ρίζες της έννοιας στη γνωσιακή επιστήμη. Οι ερευνητές της AI συνήθως τη συνδέουν με το 1943, όταν ο ψυχολόγος Kenneth Craik έγραψε ότι ο ανθρώπινος νους «κουβαλά ένα μικρής κλίμακας μοντέλο της εξωτερικής πραγματικότητας και των πιθανών πράξεών του», κάτι που μας επιτρέπει «να δοκιμάζουμε διάφορες εναλλακτικές» και «να αντιδρούμε σε μελλοντικές καταστάσεις πριν αυτές προκύψουν».
Αυτή η ιδέα εξελίχθηκε τις επόμενες δεκαετίες, κυρίως με τη θεωρία της προβλεπτικής επεξεργασίας. Σύμφωνα με αυτήν, η αντίληψη —ίσως ακόμη και η ίδια η συνείδηση— βασίζεται στο ότι ο εγκέφαλος παράγει συνεχώς προβλέψεις για τον εξωτερικό κόσμο και τις αναπροσαρμόζει με βάση τα αισθητηριακά δεδομένα που δέχεται.
Το βασικό σημείο, όμως, παραμένει. «Η κεντρική ιδέα είναι ότι η νοημοσύνη περιλαμβάνει τη δημιουργία μοντέλων του κόσμου στο μυαλό μας, ώστε να μπορούμε να προσομοιώνουμε αποτελέσματα και να αποφεύγουμε ακριβοθώρητα λάθη», λέει ο Josh Tenenbaum, γνωσιακός επιστήμονας και ερευνητής AI στο Massachusetts Institute of Technology. «Έτσι, “οι ιδέες μας πεθαίνουν στη θέση μας”, όπως το έθεσε ο Craik».
Δεν χρειάζεται να είναι κανείς ιδιοφυΐα για να δει γιατί αυτό έχει τραβήξει το ενδιαφέρον των ερευνητών AI. Τα LLMs έχουν αποδειχθεί εντυπωσιακά ικανά και σίγουρα μπορούν να δώσουν την εντύπωση ότι καταλαβαίνουν τα πράγματα όπως εμείς. Όμως η γλώσσα είναι περιγραφή της πραγματικότητας, όχι η ίδια η πραγματικότητα, και η απουσία άμεσης εμπειρίας σημαίνει ότι ακόμη και τα πιο ισχυρά γλωσσικά μοντέλα δυσκολεύονται όταν καλούνται να «καταλάβουν» φυσικά φαινόμενα στον πραγματικό κόσμο.
Τα LLMs συχνά τα πηγαίνουν άσχημα όταν καλούνται να συλλογιστούν χωρικές έννοιες και πράγματα που μπορεί να συμβούν στον φυσικό κόσμο, λέει η Mitchell. «Αν έχετε ανεβάσει ποτέ έναν χάρτη σε ένα από αυτά τα μοντέλα και του έχετε κάνει ερωτήσεις γι’ αυτόν, θα ξέρετε ότι συχνά έχουν πολλά προβλήματα με τον συλλογισμό.» Πράγματι, σε μελέτη του 2024, όταν ερευνητές εκπαίδευσαν γλωσσικά μοντέλα σε βάση δεδομένων με οδηγίες στροφή-στροφή για διαδρομές ταξί στη Νέα Υόρκη, διαπίστωσαν ότι το σύστημα μπορούσε να δίνει λογικές διαδρομές από ένα σημείο σε ένα άλλο, αλλά αποτύγχανε παταγωδώς όταν του ζητούσαν να κάνει μια ασυνήθιστη παράκαμψη.
Ο λόγος είναι ότι τα LLMs διαθέτουν μόνο περιγραφές διαδρομών και, άρα, δεν έχουν το είδος του νοητικού χάρτη που μας επιτρέπει να φανταζόμαστε τι θα συνέβαινε σε διαφορετικά σενάρια. Και η πλοήγηση είναι μόνο ένα παράδειγμα. Τα LLMs εμφανίζουν παρόμοιες αδυναμίες σε κάθε περίπτωση όπου χρειάζεται να προσομοιωθεί ο φυσικός κόσμος — για παράδειγμα, το ασφαλές φόρτωμα ενός πλυντηρίου πιάτων ή το δίπλωμα των ρούχων. «Δεν έχουν σχεδιαστεί γι’ αυτό, γι’ αυτό και οι άνθρωποι ενδιαφέρονται για εναλλακτικές όπως τα world models», λέει ο Tenenbaum.
Ίσως ο πιο επιδραστικός υποστηρικτής αυτής της προσέγγισης είναι ο Yann LeCun, επιστήμονας υπολογιστών στο New York University και, μέχρι πρόσφατα, επικεφαλής επιστήμονας της βασικής έρευνας AI στη Meta. Το επιχείρημά του, που διατυπώθηκε αρχικά σε εργασία του 2022, είναι ουσιαστικά ότι αν θέλουμε να φτιάξουμε πραγματικά έξυπνα συστήματα που μπορούν να συλλογίζονται, να σχεδιάζουν και να δρουν αποτελεσματικά στον πραγματικό κόσμο, χρειαζόμαστε world models.
«Δεν μπορώ να φανταστώ ότι μπορούμε να φτιάξουμε agentic συστήματα χωρίς αυτά να έχουν τη δυνατότητα να προβλέπουν εκ των προτέρων ποιες θα είναι οι συνέπειες των πράξεών τους», είπε ο LeCun στο forum τεχνητής νοημοσύνης AI House Davos τον Ιανουάριο. Και το κλειδί γι’ αυτό, κατά τη γνώμη του, είναι συστήματα που μαθαίνουν τους κανόνες του κόσμου μέσα από την παρατήρηση.
Η ιδέα έχει κερδίσει έδαφος. Τον Δεκέμβριο του 2025, ο LeCun αποχώρησε από τη Meta για να ιδρύσει την AMI Labs, συγκεντρώνοντας λίγο πάνω από 1 δισεκατομμύριο δολάρια για την ανάπτυξη συστημάτων world model. Ένα χρόνο νωρίτερα, η Fei-Fei Li στο Stanford University της Καλιφόρνια ξεκίνησε τη World Labs, με επένδυση 230 εκατομμυρίων δολαρίων, για την ανάπτυξη AI με «χωρική νοημοσύνη». Πολλές από τις καθιερωμένες εταιρείες AI, με πιο χαρακτηριστική τη Google DeepMind, κινούνται πλέον επίσης ενεργά προς τα world models με τη μία ή την άλλη μορφή.
Ο βασικός λόγος για αυτή την εισροή χρημάτων είναι κυρίως η προοπτική που έχουν τα world models για την εξέλιξη της ρομποτικής. Ωστόσο, βρισκόμαστε ακόμη στην αρχή και τα υπάρχοντα πρωτότυπα έχουν περιορισμένες εφαρμογές. Με το Marble, για παράδειγμα, η World Labs έχει δημιουργήσει ένα σύστημα που παράγει συνεκτικές τρισδιάστατες σκηνές από κείμενο. Αντίστοιχα, το Genie 3 της DeepMind δημιουργεί πειστικά διαδραστικά εικονικά περιβάλλοντα — «χιονισμένο βουνό το σούρουπο», για παράδειγμα — όπου μπορείς να κινηθείς για μερικά λεπτά και ακόμη και να προκαλέσεις γεγονότα, όπως βροχή.
Και στις δύο περιπτώσεις, οι εταιρείες περιγράφουν τα συστήματά τους ως «world models». Όμως το Marble είναι στην πραγματικότητα ένας 3D video generator και το Genie 3 ένας προσομοιωτής βιντεοπαιχνιδιού, έστω κι αν παράγει προσομοιώσεις στις οποίες πράκτορες θα μπορούσαν ρεαλιστικά να δρουν, να παρατηρούν συνέπειες και να μαθαίνουν.
Στην ουσία, ένα πραγματικό world model θα ήταν κάτι που υπάρχει μέσα σε έναν agent, έτσι ώστε να μπορεί να προβλέπει τις συνέπειες των αποφάσεών του, να φαντάζεται το μέλλον και να σχεδιάζει πριν ενεργήσει — και προς αυτή την κατεύθυνση κινείται η DeepMind με το σύστημα Dreamer 4, που κυκλοφόρησε τον Σεπτέμβριο του 2025. Το σύστημα μαθαίνει ένα εσωτερικό προβλεπτικό μοντέλο του περιβάλλοντός του, εκπαιδευόμενο κυρίως με δεδομένα από το βιντεοπαιχνίδι Minecraft, και χρησιμοποιεί αυτό το μοντέλο για να εκπαιδεύσει έναν agent που «ονειρεύεται» επανειλημμένα τις συνέπειες πιθανών ενεργειών, ώστε να βελτιώνει τη συμπεριφορά του.
«Η μεγαλύτερη διαφορά [σε σχέση με το Genie 3] είναι ότι το Dreamer 4 είναι ένας agent, όχι απλώς ένα world model», λέει ο Danijar Hafner στη DeepMind στο Σαν Φρανσίσκο, που ηγείται της ομάδας του Dreamer 4. «Προβλέπει δράσεις και τις βελτιώνει μέσα από επαναληπτική αυτοβελτίωση, χρησιμοποιώντας σχεδιασμό και [φανταστικό] trial and error.»
Η δύναμη αυτής της προσέγγισης φαίνεται στην επίδειξη του Hafner και των συνεργατών του ότι το Dreamer 4 μπορεί να καταλάβει πώς να συλλέγει διαμάντια στο Minecraft, μια σύνθετη εργασία που περιλαμβάνει χιλιάδες διαφορετικές κινήσεις — συγκέντρωση πόρων, κατασκευή εργαλείων, πλοήγηση στο τοπίο — χωρίς να του δείξουν πώς να παίξει. «Το σύστημα πρέπει να κατανοήσει το περιβάλλον του και να γενικεύσει, επειδή κάθε νέο επεισόδιο ξεκινά σε έναν τυχαία παραγόμενο κόσμο», λέει ο Hafner.
Αυτό είναι ένα σημαντικό βήμα, όχι μόνο επειδή ακριβώς τέτοιου είδους world model θα μπορούσε να διευκολύνει αυτόνομα ρομπότ ικανά να διπλώνουν ρούχα ή να φορτώνουν ένα πλυντήριο πιάτων. «Νομίζω ότι θα λύσει τη ρομποτική», λέει ο Hafner. «Αυτό που λείπει τώρα είναι η εκτέλεση: δεδομένα, υπολογιστική ισχύς, κλιμάκωση. Αλλά έχουμε τη συνταγή, οπότε, όπως και με τα γλωσσικά μοντέλα, το θέμα είναι η κλιμάκωση και οι λεπτομέρειες.»
Ποιος θα αμφισβητούσε τη DeepMind, με το εντυπωσιακό ιστορικό της; Οι ερευνητές της έχουν, άλλωστε, κερδίσει Νόμπελ για τη δουλειά τους στην αναδίπλωση πρωτεϊνών. Όμως, ενώ το Dreamer 4 δείχνει ότι agents με εσωτερικά world models μπορούν να συλλογίζονται και να σχεδιάζουν, αφήνει ένα βαθύτερο ερώτημα αναπάντητο: τι ακριβώς πρέπει να μαθαίνουν αυτά τα συστήματα για τον κόσμο ή, πιο συγκεκριμένα, σε ποιο επίπεδο λεπτομέρειας; Και αυτό έχει εξελιχθεί σε βασική γραμμή ρήξης στον χώρο, με δύο διαφορετικές προσεγγίσεις να αναδύονται.
Πολλές από τις υπάρχουσες στρατηγικές επιχειρούν να παράγουν προβλέψεις υπό συνθήκη δράσης, όπως λένε οι ερευνητές, ανασυνθέτοντας με όσο το δυνατόν μεγαλύτερη πιστότητα τις μελλοντικές παρατηρήσεις σε σχέση με τα δεδομένα εκπαίδευσης. Ο LeCun όμως θεωρεί ότι αυτή είναι η λάθος προσέγγιση, ή τουλάχιστον όχι η καλύτερη. Το επιχείρημά του βασίζεται στο γεγονός ότι οι άνθρωποι δεν προσομοιώνουν νοερά τον κόσμο σε μεγάλη λεπτομέρεια, και σίγουρα όχι pixel προς pixel. Όταν, για παράδειγμα, φανταζόμαστε ένα ποτήρι να πέφτει από ένα τραπέζι και να σπάει σε κομμάτια, δεν προβλέπουμε τη θέση κάθε θραύσματος ή κάθε σταγόνας νερού. Αντίθετα, υποστηρίζει ο LeCun, χρησιμοποιούμε εξαιρετικά συμπιεσμένα μοντέλα που αποτυπώνουν μόνο όσα έχουν σημασία.
Γι’ αυτό ο LeCun προτείνει μια διαφορετική προσέγγιση, που την αποκαλεί joint-embedding predictive architecture (JEPA). Σε αυτό το πλαίσιο, τα world models αντλούν αφηρημένες αναπαραστάσεις όσων είναι σημαντικά για συλλογισμό, σχεδιασμό και δράση. «Τα generative models προσπαθούν να ανασυνθέσουν pixels, ενώ το JEPA μαθαίνει σε έναν latent χώρο και προβλέπει μόνο ό,τι είναι χρήσιμο», λέει ο Randall Balestriero από το Brown University στο Rhode Island, ο οποίος έχει συνεργαστεί με τον LeCun σε world models βασισμένα στο JEPA. «Αγνοεί τις άσχετες λεπτομέρειες και εστιάζει μόνο σε ό,τι μετράει για τον agent.»
Ο LeCun και οι επενδυτές του φαίνεται να ποντάρουν ότι η προσέγγιση JEPA θα προσφέρει πιο γρήγορο δρόμο προς εφαρμογές στον πραγματικό κόσμο, κυρίως επειδή απαιτεί λιγότερα δεδομένα εκπαίδευσης. Η πιο απτή δημόσια επίδειξη αυτής της τεχνικής μέχρι σήμερα είναι το V-JEPA 2, που κυκλοφόρησε από τη Meta τον Ιούνιο του 2025. Εκπαιδευμένο σε video inputs, το V-JEPA μαθαίνει αποκρύπτοντας ορισμένες περιοχές του υλικού — για παράδειγμα μια κινούμενη μπάλα σε διαδοχικά καρέ — και προβλέποντας επανειλημμένα όχι pixels, αλλά αφηρημένες αναπαραστάσεις όσων είχαν κρυφτεί, ώστε να μάθει ένα συμπαγές εσωτερικό μοντέλο για το πώς κινείται η μπάλα. Αυτό που έδειξαν ο LeCun και οι συνεργάτες του είναι ότι το σύστημά τους μπορεί να μοντελοποιεί την αιτιακή δομή του φυσικού κόσμου χωρίς να χρειάζεται να την ανασυνθέτει με λεπτομέρεια.
Αυτό δεν σημαίνει ότι το JEPA είναι απαραίτητα καλύτερο από τα generative world models. Οι υποστηρικτές του, φυσικά, υποστηρίζουν ότι θα είναι. «Χωρίς αφαίρεση, τα συστήματα AI θα παραμείνουν περιορισμένα σε στενές εργασίες», λέει ο Balestriero. Όμως το V-JEPA 2 δεν έχει ακόμη δείξει καθαρά ότι οι αφηρημένες αναπαραστάσεις του είναι αρκετά ουσιαστικές ώστε να επιτρέπουν σε έναν agent που λειτουργεί σε ένα ανοιχτό περιβάλλον να συλλογίζεται και να σχεδιάζει. «Το μεγαλύτερο κενό είναι το ερώτημα του πώς ξέρουμε ότι η αφαίρεση είναι πραγματικά χρήσιμη», λέει ο Balestriero. «Εδώ υπάρχει αυτή τη στιγμή τεράστιος όγκος ενεργής έρευνας, για να καταλάβουμε τι ακριβώς καταγράφεις ή πώς κωδικοποιείς κάτι πολύ πλούσιο για τον κόσμο που να είναι χρήσιμο για τον σχεδιασμό στη συνέχεια.»
Ο Hafner, από την πλευρά του, δεν πείθεται ότι οι πιο συμπιεσμένες αναπαραστάσεις της πραγματικότητας είναι καλύτερες. «Ο Yann έχει δίκιο σε πολλά πράγματα, ακόμη κι αν ίσως τα εκφράζει πιο προκλητικά απ’ όσο χρειάζεται, και η προσέγγιση JEPA είναι πολύ υποσχόμενη», λέει. «Όμως δεν νομίζω ότι οι αναπαραστάσεις πρέπει να είναι συμπιεσμένες και μικρές. Στο τέλος, θέλεις να μάθεις ισχυρές αναπαραστάσεις, και αυτό…»
