World model (AI)

Světový model (anglicky world model) je v oblasti umělé inteligence systém strojového učení, který vytváří vnitřní reprezentaci prostředí a umožňuje predikci jeho vývoje v čase na základě provedených akcí. Tyto modely se používají zejména v úlohách plánování a rozhodování, kde slouží k simulaci možných budoucích stavů bez nutnosti přímé interakce s reálným prostředím.

World models se odlišují od čistě diskriminačních nebo generativních modelů tím, že explicitně modelují dynamiku prostředí, včetně přechodových pravděpodobností stavů, interakcí objektů a příčinných vztahů. Tento přístup je typický pro model-based metody v posilovaném učení.

Základy přístupu lze nalézt v metodách kombinujících učení a plánování, například v architektuře Dyna, která integruje zkušenost z prostředí s plánováním založeným na naučeném modelu. Oživení zájmu o světové modely v hlubokém učení je spojováno zejména s prací World Models, která představila použití neuronových sítí pro učení latentní reprezentace prostředí a jeho dynamiky.

Word models jsou zkoumány zejména v oblasti robotiky, autonomních systémů a generativních simulací prostředí.

Modely

World model (model světa) je AI systém, který se z dat učí interní reprezentaci prostředí a umožňuje agentům předpovídat, jak se svět bude vyvíjet a jak jejich akce ovlivní jeho stav. Níže jsou modely rozděleny do osmi kategorií podle jejich primárního zaměření.

1. Model-based reinforcement learning (MBRL)

Tyto modely se učí interní reprezentaci dynamiky prostředí v latentním prostoru. Agent následně plánuje a jedná „v představivosti" (in imagination), bez nutnosti interakce s reálným prostředím v každém kroku.

• DreamerV1 / DreamerV2 / DreamerV3 (Google DeepMind) – rodina agentů budovaná Danijar Hafnerem a kolegy. DreamerV1 (2020) byl omezen na kontinuální řízení; DreamerV2 (2021) překonal lidský výkon na Atari; DreamerV3 (2023, publikováno v Nature 2025) zvládá přes 150 různých úloh s jedinou sadou hyperparametrů – jako první algoritmus autonomně získal diamanty v Minecraftu bez jakýchkoliv lidských demonstrací. Architektura využívá rekurentní model stavového prostoru (RSSM) v latentním prostoru.
• MuZero (Google DeepMind, 2020) – kombinuje prohledávání Monte Carlo Tree Search (MCTS) s naučeným world modelem. Na rozdíl od Dreameru nikdy nerekonstruuje pozorování; modeluje pouze odměny a hodnoty relevantní pro rozhodování. Dosáhl nadlidské úrovně v šachu, šogi, Go a Atari.
• PlaNet (Google DeepMind, 2019) – průkopnický model latentní dynamiky (RSSM), dostatečně přesný pro plánování přímo z pixelů; stal se architektonickým základem pro rodinu Dreamer.
• DayDreamer (UC Berkeley, 2022) – aplikace algoritmu Dreamer na fyzické roboty. Bez využití simulátorů nebo lidských demonstrací naučil čtyřnohého robota chodit za hodinu; robotická ramena zvládla úlohu přemísťování předmětů za přibližně 10 hodin.
• TD-MPC2 (UC San Diego – Hansen, Su, Wang; ICLR 2024) – škálovatelný a robustní world model pro spojité řízení. Provádí lokální optimalizaci trajektorie v latentním prostoru implicitního world modelu; s jedinou sadou hyperparametrů podává konzistentní výsledky na 104 úlohách napříč různými doménami. Je široce používán v robotice a spojitém řízení.
• DIAMOND (Diffusion for World Modelling; NeurIPS 2024 Spotlight) – využívá difuzní modely k přesnější predikci dynamiky prostředí; modeluje vizuální detaily prostředí prostřednictvím iterativního denoising procesu.

2. Prediktivní world models

Zaměřují se na předpovídání budoucích stavů světa. Na rozdíl od generativních modelů zpravidla nepracují na úrovni pixelů, ale v latentním prostoru nebo na úrovni fyzikálních a senzorických reprezentací.

• V-JEPA / V-JEPA 2 (Meta AI) – architektura Joint Embedding Predictive Architecture (JEPA) pro video. V-JEPA 2 (červen 2025) je model s 1,2 miliardami parametrů předtrénovaný na více než milionu hodin internetového videa; dosahuje špičkového výkonu v porozumění pohybu i anticipaci akcí. Umožňuje zero-shot plánování pro roboty interagující s neznámými předměty v nových prostředích.
• Cosmos Predict (NVIDIA) – součást ekosystému Cosmos, specializovaná na predikci fyzikální dynamiky pro trénink autonomních systémů a robotiky.
• UniSim (Universal Neural Closed-Loop Sensor Simulator; Waabi / University of Toronto, CVPR 2023) – neuronální senzorický simulátor, který z jednoho nahraného jízdního záznamu vytvoří realistickou uzavřenou smyčku multisenzorické simulace (kamera + LiDAR). Projekt vedla Raquel Urtasun; stojí u základu simulátoru Waabi World.
• IRASim (Interactive Robot Action Simulation) – model zaměřený na predikci interakcí a akcí v robotických prostředích; generuje video simulace fyzické manipulace podmíněné 3D trajektoriemi.

3. Generativní světové simulátory

Modely generující vizuálně realistická, interaktivní a fyzikálně konzistentní prostředí. Fungují jako neuronální herní enginy nebo generátory prostředí řízené uživatelským vstupem.

• Genie / Genie 2 / Genie 3 (Google DeepMind) – řada general-purpose world modelů. Genie 3 (srpen 2025) generuje z textového popisu interaktivní prostředí v rozlišení 720p při 24 fps v reálném čase; využívá autoregresní generování místo pevně zakódovaného fyzikálního enginu.
• Oasis / Oasis 2 (Decart AI & Etched) – interaktivní generátor světa v reálném čase simulující herní prostředí inspirované Minecraftem; implementuje world model prostřednictvím transformerové architektury.
• GameNGen (Google Research / Google DeepMind / Tel Aviv University, 2024) – neuronální herní engine schopný simulovat hry v reálném čase (konkrétně DOOM) bez klasického herního kódu; využívá difuzní model.
• Sora (OpenAI) – video generativní model s vysokou fyzikální konzistencí, často interpretovaný jako simulátor světa; umožňuje generování videí na základě textových promptů.
• Cosmos (NVIDIA) – ekosystém world foundation modelů (zahrnuje Cosmos Predict i Cosmos Transfer); zaměřen na generování fyzikálně konzistentních videí a syntetických dat pro trénink autonomních systémů a robotů.
• GameGen-X – model pro generování rozsáhlých open-world herních prostředí z textových popisů nebo herních vstupů.

4. Robotické world models (Vision-Language-Action)

Foundation modely propojující vizuální vnímání, jazyk a akci (Vision-Language-Action, VLA). Umožňují generalizaci na nové úkoly, objekty a prostředí v robotice.

• RT-1 / RT-2 / RT-X (Google DeepMind) – progresivní řada robotických transformerů. RT-2 kombinuje velký vizuálně-jazykový model s přímým generováním robotických akcí; RT-X rozšiřuje přístup na více tělesností (cross-embodiment).
• Helix / Helix 02 (Figure AI) – foundation model pro humanoidní roboty; navržen pro generalizaci manipulačních úloh ve fyzickém světě.
• π0 / π0.5 (Physical Intelligence, 2024–2025) – VLA modely pro obecnou robotickou manipulaci. π0 kombinuje předtrénovaný vizuálně-jazykový model s flow matching pro spojité generování akcí; trénován na datech z osmi různých robotických platforem. π0.5 dále rozšiřuje schopnost generalizace na otevřený svět.
• OpenVLA – open-source VLA model se 7 miliardami parametrů trénovaný na 970 000 robotických epizodách z datasetu Open X-Embodiment (Stanford, UC Berkeley, Google DeepMind, Toyota Research Institute).
• GR00T N1 (NVIDIA) – foundation model pro humanoidní robotiku, trénovaný na videu, textu a reálných robotických demonstracích.
• V-JEPA 2 (Meta AI) – viz sekci 2; využíván i pro zero-shot plánování a navigaci v robotice.

5. World models pro autonomní řízení

Tyto modely jsou klíčové pro samořiditelná vozidla. Učí se předvídat chování ostatních účastníků provozu, generovat syntetická data ze senzorů (kamery, LiDAR) a simulovat dopravní scénáře v uzavřené smyčce (closed-loop simulation).

• GAIA-1 / GAIA-2 (Wayve) – generativní world modely specificky navržené pro autonomní řízení. GAIA-2 (2025) je latentní difuzní world model umožňující řízenou generaci víceúhlového videa; podmíněn dynamikou ega vozidla, konfigurací agentů, faktory prostředí a sémantikou vozovky. Generuje prostorově-temporálně konzistentní záběry v geograficky různorodých prostředích (UK, USA, Německo).
• DriveDreamer – model schopný generovat strukturované dopravní scénáře na základě textových popisů nebo map; prezentovaný na ECCV 2024.
• OccWorld (Occupancy World Model) – předpovídá budoucí stav světa ve formě 3D obsazenosti prostoru (occupancy), což je pro autonomní vozidla informačně bohatší reprezentace než pouhé 2D video.
• UniAD (Unified Autonomous Driving) – sjednocuje vnímání, predikci a plánování do jediného end-to-end world modelu pro autonomní řízení.
• MILE (Model-based Imitation Learning for End-to-end driving) – učí se řídit tím, že si v latentním prostoru představuje budoucí stavy vozovky; navržen pro vzorkově efektivní trénink.

6. Prostorové a 3D world models (Spatial Intelligence)

Zatímco generativní simulátory (jako Genie) pracují primárně s 2D obrazem, tyto modely chápou a generují svět jako explicitní 3D strukturu – základ pro tzv. prostorovou inteligenci (spatial intelligence).

• World Labs (tým Fei-Fei Li) – vývoj Large Spatial Models (LSM), které chápou a generují perzistentní, interaktivní 3D světy s konzistentní geometrií a fyzikou.
• Dynamické 3D Gaussian Splatting (3DGS) modely – nová generace modelů využívajících mračna 3D Gaussových funkcí místo klasických mesh sítí; umožňují realistické renderování a simulaci 3D prostředí v reálném čase.
• LERF (Language Embedded Radiance Fields) – kombinuje 3D reprezentaci světa (NeRF/3DGS) s jazykovými embeddingy, takže robot nebo agent se může v 3D světě orientovat pomocí textových dotazů (např. „najdi červenou židli").

7. Sociální a multi-agentní world models

Tyto modely simulují lidské chování, záměry a sociální interakce – nikoliv fyziku. Jsou klíčové pro roboty pracující mezi lidmi nebo pro NPC ve hrách.

• Generative Agents (Stanford / Google, UIST 2023) – průkopnický framework, kde 25 LLM agentů obývá simulované město Smallville. Každý agent má vlastní paměť, reflektuje minulé události a plánuje akce; výsledkem jsou věrohodné emergentní sociální jevy (šíření informací, spontánní organizace akcí, vznik sociálních vazeb). Autoři jsou z Stanfordu (Park, O'Brien, Liang, Bernstein) a Googlu (Morris, Cai).
• AgentFormer – model pro předpovídání budoucích trajektorií a záměrů více agentů (chodců, vozidel) zároveň s využitím sociálního kontextu prostřednictvím transformerové architektury.
• Social-BiGAT – grafový model zaměřený na predikci pohybu davu a interakcí mezi lidmi na základě sociálních vazeb; využívá grafové neuronové sítě a mechanismus pozornosti.

8. Neurosymbolické a fyzikální world models

Na rozdíl od čistě neuronových sítí, které se fyziku učí empiricky z dat, tyto modely kombinují neuronové sítě s explicitními fyzikálními enginy nebo symbolickou logikou.

• Neural Physics Engines (NPE) – kombinují hluboké učení s klasickými fyzikálními simulátory, aby se model naučil přesné fyzikální zákonitosti a neporušoval je (zachování energie, konzistentní kolize apod.).
• DiffTaichi – framework pro Differentiable Programming, který umožňuje trénovat world modely přímo nad fyzikálními simulacemi (kapaliny, měkké tkáně, granulární materiály); gradient lze zpropagovat přes fyzikální simulaci až do parametrů neuronové sítě.
• LLM-as-a-Physics-Solver – přístup, kde LLM negeneruje přímo pixely nebo latentní stavy, ale generuje kód pro fyzikální engine (MuJoCo, PyBullet, Warp); výsledkem je logicky odvozený, fyzikálně konzistentní world model pro danou úlohu.

Odkazy

Překlad

V tomto článku byl použit překlad textu z článku World model (artificial intelligence) na anglické Wikipedii.