Проблема текстовых моделей
Современные большие языковые модели (LLM), такие как ChatGPT и Claude, демонстрируют выдающиеся результаты в обработке текста. Однако они критически не справляются с пониманием того, как объекты перемещаются в пространстве и времени. Это фундаментальный пробел для достижения искусственного общего интеллекта (AGI), так как истинный интеллект требует способности обобщать знания о физических законах, а не только о лингвистических паттернах.
Геймданные как решение
Основатель General Intuition предлагает использовать данные видеоигр в качестве обучающей выборки. В отличие от интернета, где информация часто фрагментирована и лишена контекста физических взаимодействий, игровые движки предоставляют структурированные, симулированные среды. Здесь ИИ-агенты учатся предсказывать последствия своих действий, взаимодействуя с виртуальными объектами, что формирует базовое понимание причинно-следственных связей.
Почему это важно
Переход от текстовых данных к симулированным физическим данным позволяет моделям развивать «интуицию» — способность понимать, как мир работает на фундаментальном уровне. Это шаг от простого статистического подбора слов к созданию агентов, способных действовать в реальном мире, будь то робототехника или автономное вождение.
Сравнение подходов
| Критерий | Текстовые LLM (Интернет) | Игровые симуляции (General Intuition) |
|---|---|---|
| Основной тип данных | Текст, изображения, видео | Состояния среды, действия, награды |
| Понимание физики | Слабое (описательное) | Сильное (экспериментальное) |
| Цель обучения | Генерация текста | Принятие решений в пространстве-времени |
General Intuition делает ставку на то, что именно через игровые механики ИИ сможет освоить навыки, необходимые для обобщения знаний, что является ключом к созданию по-настоящему универсального интеллекта.
Источник: TechCrunch ↗