Що таке world model? Як переосмислити світ, принципи роботи, битва чотирьох «гігантів» і суперечки

Світова модель (World Model) дає змогу AI побудувати внутрішню модель того, як «світ працює» — вона розуміє простір, фізику та причинно-наслідкові зв’язки. Вона прогнозує не «наступний символ», як у великих мовних моделях, а наступний стан світу. Її вже впроваджують у безпілотниках, робототехніці та ігрових сценаріях, але те, що зображення виглядає правдоподібно, не означає, що фізика є правильною. Де саме правильний шлях до AGI — чи то через LLM, чи через інше — і досі залишається одним із найбільших суперечок в індустрії.
(Передісторія: Лі Фейфей говорить про наступний крок LLM: щоб AI розумів реальний світ, потрібен «просторовий інтелект», як реалізує Marble модель? )
(Додатковий контекст: Serenity: світова модель — найбільший консенсус у колах AI, китайські гроші відмовляються від базових моделей, переходять до фізичного AI)

Зміст статті

Перемикач

• Що таке світова модель?
• Чим світова модель відрізняється від великої мовної моделі (LLM)?
• Як працює світова модель? Потенційний простір і «прогноз наступної миті»
• Битва світових моделей 2026: що тримають у ставках чотири великі гравці?
• Що може світова модель? Реальні приклади для безпілотного керування, роботів і ігор
• Суперечки та обмеження світової моделі: вона справді сильніша за LLM?
• Майбутнє світової моделі: ще один шлях до AGI?

Світова модель (World Model) — один із найчастіше згадуваних, але водночас найчастіше неправильно зрозумілих термінів у спільноті AI. Одним реченням: світова модель — це система, яка дозволяє AI побудувати внутрішню модель того, як «світ працює», щоб вона розуміла простір, фізику та причинно-наслідкові зв’язки й на цій основі прогнозувала, що відбудеться далі.

Вона не є тією ж самою технологічною лінією, що й ChatGPT, Claude та інші великі мовні моделі (LLM), з якими знайомі звичайні люди. LLM прогнозує «наступний символ», тоді як світова модель прогнозує «наступний стан світу».

Що таке світова модель?

Світова модель (World Model) — простими словами, це техніка, що дозволяє AI навчитися «внутрішньо симулювати» — тобто моделювати в голові. Приклад: перш ніж людина перейде дорогу, у мозку автоматично програється сценарій: «Якщо я зараз ступлю, за скільки секунд та машина буде переді мною?» Ця репетиція не потребує того, щоб реально дійти до машини й перевірити результат.

Світова модель хоче дати AI таку ж здатність: спочатку симулювати різні можливості всередині, а потім вирішити наступну дію, а не кожного разу експериментувати в реальному світі.

Професор комп’ютерних наук Стенфордського університету, провідна фігура в галузі AI, Лі Фейфей розклала функції світової моделі на три частини:

• генерація (generation)
• розуміння (understanding)
• симуляція та взаємодія (simulation/interaction)

Створена нею World Labs робить продукт Marble, який саме і фокусується на третьому блоці — симуляції та взаємодії. Це вважається найключовішою і водночас найскладнішою ланкою у всьому технологічному ланцюгу: «згенерувати гарну картинку» — не так важко; складно згенерувати простір, у який можна зайти, з яким можна взаємодіяти, і де логіка фізики ще й є адекватною.

Тренд, через який у 2026 році все сконцентрувалося й різко вибухнуло, частково пояснюється тим, що в індустрії з’явилася відчутна тривога через «стелю» для LLM. Коли стає дедалі зрозумілішим, що шлях «словесних ланцюжків» упирається в межі, частина дослідників почала робити ставку на іншу лінію: щоб AI одразу вчився розуміти «світ» як такий, а не лише вчився імітувати, як люди описують світ.

Варто спочатку прояснити поширене непорозуміння: світова модель не призначена для заміни LLM для діалогів або написання текстів. Вона розв’язує зовсім інші задачі — просторові міркування, фізичну симуляцію, планування дій. Саме тому вона першою вийшла в реальне життя у сферах, де потрібно «розуміти фізичний світ»: безпілотники, робототехніка, ігри — а не в чат-ботах.

Чим світова модель і велика мовна модель (LLM) відрізняються?

Великі мовні моделі (LLM) побудовані на архітектурі Transformer. Їхній принцип роботи — прогнозувати в послідовності «наступний token (токен)». Простими словами: після перегляду величезного обсягу текстів LLM вчиться «яке слово (який токен) найімовірніше з’явиться далі в цьому реченні», і весь обчислювальний процес відбувається в «просторі текстів».

Вона ніколи реально «не бачила» або «не симулювала» фізичний світ: всередині немає гравітації, зіткнень чи просторових координат — є лише статистичні зв’язки між словами.

Світова модель йде іншою дорогою. Як приклад JEPA, запропонованої Yann LeCun, вона не намагається прогнозувати кожен піксель вхідного зображення й не прогнозує текстові токени; натомість вона прогнозує майбутні стани у «латентному просторі» — у вигляді абстрактних репрезентацій.

Якщо зовсім просто: вона спершу свідомо відкидає непотрібні деталі шуму (наприклад, відблиск на задньому фоні на стіні), залишаючи лише ключову інформацію, потрібну для розуміння цього світу: куди ця куля котиться, у який бік і що за який час ця машина доїде до перехрестя. Оскільки вихід спирається на чіткий і перевірний внутрішній стан, якщо те, що модель «думає» всередині, не збігається з тим, що вона «виводить», таку невідповідність відносно легко виявити — з LLM це зробити значно складніше.

Відмінності між ними можна швидко звірити за наведеною нижче таблицею:

| Порівнювана позиція | | --- | Велика мовна модель (LLM) | Світова модель (World Model) | | --- | --- | | Ціль прогнозу | Наступний token (текст) | Наступний стан світу | | Простір роботи | Текстовий / мовний простір | Латентний простір (latent space) | | Ключова архітектура | Transformer | JEPA, дифузійні моделі, автогенеративні Transformer тощо | | Чи є розуміння фізики | Не симулює фізику, немає внутрішньої моделі світу | Вчить правила фізики: рух об’єктів, зіткнення, гравітація тощо | | Типові помилки | Галюцинації (у більшості моделей усе ще понад 15%) | Зображення правдоподібне, але фізика не обов’язково правильна | | Типові застосування | Діалоги, написання текстів, генерація коду | Безпілотне керування, тренування роботів, дослідницькі 3D світи |

Тут важливо наголосити: «зображення виглядає правдоподібно» не дорівнює «фізично правильно». Для світових моделей на базі генерації відео, оскільки навчальна ціль більш напряму підлаштована під те, «наскільки це схоже на правду», це не обов’язково гарантує «наскільки фізично коректно». У сценаріях з низькою толерантністю до помилок — як безпілотні авто та роботи — це ключова відмінність, і саме вона є однією з основних точок майбутніх суперечок.

Як працює світова модель? Латентний простір і «прогноз наступної миті»

Щоб зрозуміти логіку роботи світової моделі, потрібно спершу розібратися з двома термінами: латентний простір і прогноз наступної миті.

Латентний простір — простими словами, це коли AI «стискає» те, що він бачить зараз, в набір абстрактних чисел: залишає лише корисну інформацію для розуміння світу й відкидає зайвий візуальний шум.

Наприклад: у фрагменті з відеореєстратора латентний простір може залишити лише абстрактний опис на кшталт «Попереду є автомобіль, відстань скорочується, швидкість середня», а не фіксувати колір кожного листка на дереві. Перевага в тому, що обчислення різко зменшуються, а модель вчиться «закономірностям», а не запам’ятовує зображення.

Маючи латентний простір, далі йде «прогноз наступної миті»: за заданого поточного стану й певної дії (наприклад, кермо повертають ліворуч) модель має спрогнозувати, яким буде наступний стан.

Процес повторюється і перетворюється на внутрішній симулятор, який дає змогу «прокручувати майбутнє наперед»: AI отримує момент часу, програє в голові кілька можливих майбутніх сценаріїв і лише тоді вирішує, яку дію вчинити, замість того щоб реально врізатися в реальний світ, щоб дізнатися результат.

JEPA (Joint Embedding Predictive Architecture, спільна архітектура предиктивних вкладень) — наразі найрепрезентативніша архітектура для цієї логіки. Її запропонував Yang LeCun у 2022 році в статті «A Path Towards Autonomous Machine Intelligence».

Ключова теза JEPA: замість того щоб змушувати модель генерувати кожну деталь окремого пікселя (це і марнує обчислювальні ресурси, і легко відволікається непотрібним шумом), краще напряму зіставляти на абстрактному рівні: чи збігаються «спрогнозоване майбутнє» і «реальне майбутнє» за сумісністю.

Ось чому LeCun каже, що світова модель робить помилки «виявлюваними»: вихід має бути узгоджений із чітким внутрішнім уявленням. Якщо не збігається — це сигнал, а не так, як у LLM, де помилки можуть тихо змішуватися в довгій послідовності тексту, яка виглядає гладкою.

Втім, латентний простір — не панацея. Які саме деталі викидати, а які зберігати — це інженерне рішення без стандартної відповіді. Якщо викинути занадто багато, симуляція втратить адекватність; якщо викинути замало — це знизить ефективність обчислень. Саме це і є однією з найбільших точок розбіжностей у дизайні архітектур світових моделей у різних команд.

Битва світових моделей 2026: що на що ставлять чотири великі гравці?

У 2026 році на ніші світових моделей уже зібралися найважливіші гравці з найбільш «важкою вагою» в індустрії, а масштаби фінансування великі настільки, що стає зрозуміло: це не просто тимчасовий технічний трюк.

World Labs, яку заснувала Лі Фейфей, стала компанією, що найраніше «вийшла в люди» в цій хвилі. У вересні 2024 року World Labs вийшла з раундом залучення 2,3 млн доларів та оцінкою 1 млрд доларів; у січні 2026 року стало відомо, що компанія веде перемовини щодо нового раунду за оцінкою близько 5 млрд доларів. А 18 лютого 2026 року World Labs офіційно оголосила про залучення 1 млрд доларів: інвесторами стали AMD, Autodesk, Emerson Collective, Fidelity, NVIDIA, Sea. Причому Autodesk провів лід-інвест у розмірі 200 млн доларів — це найбільша інвестиція Autodesk в стартап за всю його історію.

У підсумку сукупний обсяг фінансування World Labs наразі становить приблизно 1,23 млрд доларів. Флагманський продукт Marble у листопаді 2025 року відкрив лімітований beta-тест, а в лютому 2026 року перейшов до комерційного запуску. Вхідні дані можуть бути текстом, фотографіями, відео, панорамними зображеннями або грубою 3D-моделлю; вихід — це навіговане, зберігане та редаговане 3D-середовище. Крім того, під час одного генераторного проходу одразу створюються два типи сіток: triangle mesh для високоточної геометрії та collider mesh спеціально для визначення зіткнень у фізичному рушії.

Genie 3 від Google DeepMind — наразі єдина світова модель, яка вже досягла «миттєвої взаємодії». У серпні 2025 року вона з’явилася у форматі research preview; 29 січня 2026 року її офіційно відкрили публічно. Доступ надали користувачам Google AI Ultra в США. Водночас запустили онлайн-demo під назвою Project Genie, щоб користувачі могли напряму генерувати світ, заходити всередину для дослідження й навіть робити remix-зміни.

Технічні специфікації: Genie 3 — це автогенеративний (autoregressive) Transformer з 11B параметрів. Він у режимі реального часу генерує світи, якими можна вільно навігувати. Роздільна здатність — 720p, 24 кадри на секунду (24fps). Узгодженість може триматися кілька хвилин без «поломок».

NVIDIA рухається за платформною стратегією. У січні 2025 року вона випустила платформу базових моделей Cosmos, а 1 червня 2026 року — Cosmos 3, заявивши, що це перша повністю відкрита omnimodel. В основі — гібридна експертна Transformer-архітектура, яка об’єднує в єдину систему три завдання: візуальне міркування, генерацію світу та прогнозування дій. Платформа охоплює різні модальності: текст, зображення, відео, звуки середовища, дії тощо.

Обсяг даних для тренування вражає: мультимодальні дані на приблизно 20 трлн tokens, включно з майже 1 млрд зображень і 400 млн відеороликів — реальних та синтетичних. NVIDIA заявляє, що цей підхід скорочує тренувально-оцінювальний цикл physical AI (фізичного AI) із кількох місяців до кількох днів. Під Cosmos 3 також є варіанти: Super (високоточна версія для роботів і безпілотників), Nano (орієнтація на надшвидкість) та Edge. NVIDIA також зібрала у консорціум Cosmos Coalition компанії на кшталт Runway, Black Forest Labs, Skild AI.

Дії Yann LeCun — найдраматичніші. У листопаді 2025 року він залишив Meta, де пропрацював 12 років і був раніше директором FAIR. Разом з Alexandre LeBrun він заснував AMI Labs зі штаб-квартирою в Парижі та офісами в Нью-Йорку, Монреалі та Сінгапурі.

10 березня 2026 року AMI Labs оголосила, що seed-раунд приніс 1,03 млрд доларів (приблизно 0,89 млрд євро), post-money оцінка інвестування — 3,5 млрд доларів. Це найбільший seed-раунд в історії європейських стартапів. Список інвесторів включає Bezos Expeditions, NVIDIA, Samsung, Temasek, Toyota Ventures, а також відомих індивідуальних інвесторів на кшталт Mark Cuban та Eric Schmidt. LeCun давно публічно наполягав: «LLM не дотягнуть до загального штучного інтелекту», і тепер, після виходу з Meta, він поставив на світову модель весь свій подальший шлях — разом із 1,03 млрд доларів.

Позиціонування чотирьох команд можна швидко звірити так:

| Компанія / команда | | --- | Ключова персона | Репрезентативний продукт | Найновіше фінансування / масштаб | Технічне позиціонування | | --- | --- | --- | --- | --- | | World Labs | Лі Фейфей | Marble | Сукупно ~1,23 млрд доларів (у 2026/2 по одному раунду 1 млрд доларів) | Навіговане, довговічне 3D-генерування простору | | Google DeepMind | Команда DeepMind | Genie 3 | Підтримка внутрішніх ресурсів Google | 11B параметрів, генерація світу з миттєвою взаємодією | | NVIDIA | Команда NVIDIA | Cosmos 3 | Власні ресурси NVIDIA + консорціум Cosmos Coalition | Відкритий omnimodel-платформний підхід, упор на physical AI | | AMI Labs | Yann LeCun | JEPA серія досліджень | Seed-раунд 1,03 млрд доларів, оцінка 3,5 млрд доларів | JEPA-архітектура прогнозування в латентному просторі, теоретично найдискіріонованіший маршрут |

Технологічні маршрути чотирьох компаній не зовсім ідентичні: World Labs робить акцент на прикладних 3D-продуктах, Genie 3 — на миттєвій взаємодії, Cosmos 3 — на відкритій платформі, AMI Labs — на дослідженнях базової архітектури. Але спільна віра в них одна й та сама:

Наступний прорив у AI не станеться лише через те, що LLM робитимуть ще більшими; він станеться, коли AI справді «розумітиме» той світ, у якому він знаходиться.

Що може світова модель? Реальні кейси для безпілотників, роботів і ігор

Першими сценаріями, де світова модель швидше за все почала приземлятися, майже завжди були ті, що дуже тісно пов’язані з «необхідністю розуміти фізичний світ». Безпілотні авто — найпряміший приклад.

Стартап Decart у червні 2026 року запускає Oasis 3, який може миттєво генерувати водіння тривалістю до кількох годин із високою правдоподібністю. Його фокус — допомогти безпілотникам тренуватися на реаліях, з якими складно зіткнутися на практиці, але які критично важливі для безпеки: пішоходи, що раптово вибігають у дощ; автомобілі зустрічного напрямку, що втрачають контроль і з’їжджають зі своєї смуги.

API Oasis 3 уже доступне для використання. Ціна — приблизно 2 центи за секунду. Мета — зайняти позицію «симуляційного шару» в ланцюгу постачання physical AI. Waymo також у лютому 2026 року презентувала власну генеративну архітектуру симуляції, побудовану на Genie 3; Tesla, NVIDIA, Wayve та інші компанії паралельно роблять схожі речі. Основна цінність такої техніки напряму очевидна: безпілотники можуть неодноразово тренуватися в «безмежній кількості симульованих сценаріїв», не потрібно реально виїжджати на дорогу й врізатися, щоб отримати урок.

Робототехніка — інший ключовий фронт. Системи на кшталт Cosmos 3, Oasis 3 можуть генерувати керовані симуляційні середовища з багатьма ракурсами. У цьому віртуальному просторі роботи можуть навчатися захопленню, ходьбі та керуванню об’єктами, а потім послідовно вдосконалювати стратегії рухів. Заміна збору даних із реального світу синтетичними даними різко знижує вартість і час тренування: рухи, для яких раніше потрібно було тисячі спроб із фізичними роботами в реальному середовищі, тепер можна прогнати спершу в симуляції.

Ігри та створення контенту — відносно «приємні» сценарії застосування. Genie 3 і Marble можуть з однієї текстової інструкції генерувати світ, у який можна зайти й досліджувати. Це стає прямим інструментом підвищення продуктивності для розробки прототипів і побудови віртуальних сцен. Водночас стартапи, які раніше робили генерацію відео (наприклад, Luma, Runway), починають переорієнтовувати свої «моделі, що розуміють фізику», у бік світових моделей. Це показує, що світові моделі — не вигаданий «з нуля» новий сегмент, а природна наступна еволюція технології генерації відео в напрямку «взаємодії» та «керованості».

У цих прикладах є спільна риса: цінність світової моделі не в тому, що «картинка гарніша», а в тому, що її можна використовувати для тренування, симуляції та прийняття рішень. Саме це й відділяє її від простих інструментів для генерації відео.

Суперечки та обмеження світової моделі: чи справді вона сильніша за LLM?

Серед прихильників світових моделей найбільш привертаюча увагу ставка походить від Yann LeCun. Він залишив Meta, заснував AMI Labs, зібрав seed-раунд на 1,03 млрд доларів. По суті, він поставив на один висновок: шлях LLM ніколи не приведе до загального штучного інтелекту, тож вихід — світова модель. Та позиція не є консенсусною серед індустрії.

У таборі опонентів найгучнішим є CEO Anthropic Dario Amodei. Його позиція: якщо постійно збільшувати масштаб моделей і поєднувати це з поступовими покращеннями архітектури, то самі LLM здатні подолати більшість нинішніх обмежень. Навіть у оптимістичному сценарії, у 2026 році можливе з’явлення стрибка здібностей, який він описує як «країна геніїв у дата-центрі» — тобто різке якісне зростання.

Іншими словами: одна сторона вважає, що межі існуючого маршруту вже на горизонті, тож треба змінювати шлях; інша — що межі ще не досягнуті, і треба продовжувати рух. Наразі ця «війна маршрутів» не має жодних визначальних доказів, які б переконали іншу сторону. У певному сенсі, обидві сторони ставлять реальні гроші на питання, на яке ще немає відповіді.

У самої світової моделі також є вади. Попередньо вже йшлося: архітектура латентного простору робить помилки з «внутрішньою несумісністю» легшими для виявлення, але це не означає, що світова модель ніколи не помиляється. Вона розв’язує питання «чи можна спіймати помилку», а не «чи помилка ніколи не станеться». Найкритичніша проблема в іншому: правдоподібність зображення не тотожна фізичній правильності.

Світова модель, що базується на генерації відео, має навчальну ціль більш напряму зосереджену на тому, «чи схоже це на правду». Це не обов’язково гарантує таку ж оптимізацію щодо того, «чи є фізична логіка коректною». Траєкторія котіння кулі може виглядати природно й гладко, але фактичні розрахунки прискорення та сил тертя можуть не пройти перевірку. У застосуваннях на кшталт безпілотного керування та роботів, де одна помилка означає аварію, цей ризик не можна ігнорувати.

Є також практичні пороги — витрати на обчислювальні ресурси та затримка. У світовій моделі на базі дифузії (diffusion) для генерації кожного кадру потрібно багаторазово виконувати операції з «усунення шуму». Для сценаріїв, де потрібна миттєва реакція — як у роботів і безпілотних авто — така затримка має дуже високу ціну: рішення приймається повільніше на пів кроку, і в реальному світі це може означати одне зіткнення.

Крім того, за оцінками команди Open-Sora, щоб відтворити відеогенеративну модель комерційного рівня, потрібні приблизно 200 тис. доларів витрат на обчислення. І це лише поріг для «відтворення» вже існуючих результатів, без урахування інвестицій у розробку нової архітектури з нуля.

Майбутнє світової моделі: інший шлях до AGI?

Якщо скласти ці підказки докупи, видно чіткий сигнал для індустрії: у 2026 році світова модель уже перетворилася із академічної ідеї на поле битви за маршрут, де задіяні десятки мільярдів доларів і зібрані найвагоміші фігури індустрії. Лі Фейфей через Marble довела, що «навіговані 3D світи» можна зробити продуктом. Google DeepMind через Genie 3 довела, що «миттєва взаємодія» технічно можлива. NVIDIA через Cosmos 3 перетворила це на відкриту платформу й хоче зайняти всю ланку постачання physical AI. А LeCun поставив на весь свій кар’єрний шлях і на найбільший seed-раунд в історії європейських стартапів, зробивши ставку на висновок «LLM не дотягнуть до AGI».

Чи справді цей шлях веде до загального штучного інтелекту — поки що ніхто не може дати однозначну відповідь. Але точно одне: доки безпілотники та робототехніка — тобто ті застосування, де потрібно «розуміти фізичний світ» — продовжуватимуть розширюватися, комерційна цінність світових моделей буде постійно підтверджуватися, без необхідності чекати, поки хтось відповість на остаточне питання «AGI».

Для читачів замість того, щоб «заживати на питанні, чи замінить світова модель LLM», краще подивитися під іншим кутом: ці дві технологічні лінії, ймовірно, довго співіснуватимуть. LLM відповідатиме за мову та знання, а світова модель — за простір і фізику, кожна закриває те, що інша не здатна вирішити.

Підсумовуючи: світова модель (World Model) означає серйозний розгалужений поворот в AI-індустрії. Коли проблема галюцинацій LLM ще ніяк не вдається остаточно вилікувати, група топ-дослідників робить ставку на те, щоб AI напряму розумів фізичний світ. Від Marble Лі Фейфей, Genie 3 Google і Cosmos 3 NVIDIA до AMI Labs, на яке Yann LeCun поставив весь свій кар’єр — у цю битву вже вкладено понад 3 млрд доларів.

Чи стане це «іншим шляхом до AGI» — поки зарано робити остаточні висновки. Але одне можна сказати точно: дебати про те, «як AI має розуміти світ», тільки починаються.