Następna prawdziwa wielka fala w AI – wiele osób jeszcze tego nie dostrzega

Przez ostatnie dwa lata, każdą nową aktualizację AI testowałem niemal natychmiast po jej wydaniu. Agent, multimodalność, iteracje modeli – szczerze mówiąc, większość z nich już mnie nie porusza. Ich możliwości faktycznie rosną, ale wszystko sprowadza się do „robienia treści coraz bardziej realistycznymi”, kierunek pozostaje ten sam.

Dopiero w tym miesiącu, gdy uruchomiłem Astra, Atlas, Cosmos jeden po drugim, po raz pierwszy naprawdę się zatrzymałem.

Nie dlatego, że wygenerowane przez nie materiały są bardziej atrakcyjne, ale dlatego, że po raz pierwszy poczułem: AI przekracza kolejną granicę – przechodzi od „generowania treści” do „rozumienia świata i gotowości do działania”.

Podsumowanie zostawiam tutaj: kolejna prawdziwa fala transferu wartości nie tkwi w wyścigu na liczbę parametrów modeli, ale w – trójwymiarowy świat jest przeformułowywany jako interfejs, który AI potrafi odczytać, symulować, obsłużyć. Jeśli nadal interpretujesz to na poziomie „zapotrzebowanie na treści 3D wzrośnie”, przegapisz fundamentalną zmianę logiki.

To brzmi odważnie. Ale po przejściu tych trzech etapów, nie potrafię sam siebie przekonać, że to tylko przypadek.

1/ Astra: Pierwsza pęka struktura kosztów

Poprosiłem GPT-6 Astra o wygenerowanie sceny mieszkania w środku. Wcześniej, bez względu na to jak dobrze prezentowały się tego typu outputy, po wprowadzeniu do programu modelującego stawały się bezużyteczne – wszystkie informacje strukturalne były zerowane, nie można było ich dalej wykorzystać.

Tym razem było inaczej. Astra wygenerowała aktywa o pełnej strukturze: można je dalej edytować w Blenderze, po importowaniu do Unreal Engine 5 można poruszać się po nich w czasie rzeczywistym.

Każdy, kto pracował z workflow 3D, wie jak kosztowny jest ten proces – modelowanie, materiały, oświetlenie, renderowanie, obróbka końcowa; każdy krok wymaga ręcznej pracy w specjalistycznym oprogramowaniu, tolerancja błędów jest bardzo niska, a koszt czasu ogromny.

A teraz? Wystarczy język naturalny jako wejście.

Ta historia już miała swój epizod w obrazach i wideo – gdy koszt narzędzi spada, popyt nie jest ograniczany, lecz uwalniany. Gry, e-commerce, architektura, reklama, projektowanie przemysłowe – wszyscy ustawiają się w kolejce. To nie przewidywanie, lecz rzeczywistość dziejąca się na naszych oczach.

2/ Atlas: Od "tworzenia obiektów" do "rozumienia przestrzeni"

Jeśli Astra zwróciła moją uwagę na zmiany, to Atlas wydany przez World Labs we wrześniu pozwolił mi naprawdę zrozumieć, jak daleko ten trend może zajść.

Pomyśl o tej różnicy: generując kubek, skupiasz się na jego kształcie; ale aby zrozumieć kuchnię, model musi wiedzieć gdzie ustawić kubek, jak wysoki jest blat, z której strony najlepiej sięgnąć ręką, co powinno wydarzyć się w przestrzeni za chwilę.

Pierwsze to tworzenie obiektów, drugie to rozumienie przestrzeni. Oddziela je cała nowa płaszczyzna, a nie tylko lepsza rozdzielczość.
World Labs napisał coś, co czytałem kilkakrotnie: "3D staje się uniwersalnym interfejsem przestrzeni."

Kiedyś język był interfejsem między człowiekiem a maszyną. Jeśli 3D stanie się medium wspólnego generowania, edytowania i symulowania przestrzeni przez człowieka oraz AI, 3D przestaje być jedynie plikiem projektowym – staje się nowym nośnikiem obliczeniowym. Choć brzmi to jeszcze trochę odlegle, moje testy pokazują, że zaczyna nabierać konkretnych kształtów.

3/ Cosmos: Od "umie czytać" do "chce działać"

Przy Cosmos od NVIDIA upewniłem się, że wcześniejsze odczucia nie były nadinterpretacją.

Obecne modele wizualne potrafią bardzo dokładnie odpowiedzieć na pytanie „co widać na obrazie”. Ale prawdziwa trudność w robotyce i autonomicznej jeździe nigdy nie tkwiła w rozpoznawaniu, lecz w przewidywaniu „co stanie się za chwilę”.

Cosmos sprawia, że model najpierw wewnętrznie buduje system symulacji stanu świata – symuluje wszystkie możliwe skutki działania, a następnie wybiera optymalną ścieżkę. To jakby AI dostało wewnętrzny symulator, na którym może wykonywać próby.

Bez niego maszyna potrafi jedynie odbierać teraźniejszość; z nim maszyna jest w stanie „przed podjęciem działania najpierw wszystko zasymulować”. Uważam, że dla Physical AI ta zmiana jest równie ważna, jak przełom w rozumowaniu dużych modeli kilka lat temu.

4/ Prawdziwy klucz do przewagi: dane syntetyczne

Dane ze świata rzeczywistego są zbyt kosztowne.

Modele językowe mogą pozyskiwać ogromne ilości tekstu z internetu, ale robot nie nauczy się z sieci, jak chwytać kubek; autonomiczna jazda nie jest w stanie testować każdej ekstremalnej sytuacji na prawdziwych drogach. A dane najważniejsze do nauki – pogoda ekstremalna, wypadki, rzadkie sytuacje drogowe – są najtrudniejsze do zdobycia.

Lecz gdy trójwymiarowa rekonstrukcja połączy się z modelem świata – logika się zmienia: najpierw z ograniczonych realnych danych tworzy się scenę referencyjną, potem systematycznie zmienia się pogodę, położenie, właściwości obiektów, oświetlenie – z grupy danych startowych powstają setki tysięcy danych treningowych.

Według analizy portal inwestycyjny USA, konkurencja w Physical AI przesuwa się:

W przeszłości liczyło się, kto posiada więcej danych rzeczywistych; teraz wygrywa ten, kto ma – jakość danych rzeczywistych × możliwości rekonstrukcji przestrzeni × dokładność symulacji × efektywność generowania danych syntetycznych.

Beneficjenci na rynku USA

Uszeregowałem cztery warstwy zależnie od stopnia bezpośrednich korzyści – im bliżej początku, tym większa pewność; im dalej, tym większa elastyczność, ale także większa koncentracja:

Warstwa I · Infrastruktura: NVDA

Niezależnie kto wygra w robotyce lub autonomicznej jeździe, niezbędne będą obliczenia, symulacje, dane syntetyczne i platformy treningowe. NVIDIA trzyma GPU, Omniverse, Isaac, Cosmos – sprzedaje już nie tylko chipy, ale całą podstawę dla „uczenia maszyn rozumienia świata rzeczywistego”. To pozycja niezależna od pojedynczego zwycięzcy.

Warstwa II · Rekonstrukcja 3D i cyfrowe bliźniaki: PTC, ADSK

Aby rzeczywistość stała się światem cyfrowym, który AI może trenować, ktoś musi najpierw zbudować workflow modelowania przemysłowego 3D, cyfrowe bliźniaki, przepływ projektowy. One są „danymi wejściowymi” umożliwiającymi zaawansowane modelowanie świata rzeczywistego.

Warstwa III · Percepcja przestrzeni: OUST, MBLY

Lidar, systemy wizji maszynowej – odpowiadają za przetwarzanie środowiska fizycznego w dane przestrzenne rozumiane przez maszyny. Bez tej warstwy wszystko wyżej to tylko marzenia; ale tu konkurencja o koszty i spójność jest najbardziej zacięta.

Warstwa IV · Implementacja końcowa: TSLA, SYM

To ci, którzy naprawdę wdrażają AI do rzeczywistości. Najbardziej elastyczna, ale też najbardziej ryzykowna warstwa: model działa, ale nie znaczy to, że roboty są skalowalne; symulacja jest skuteczna, ale nie oznacza bezproblemowej migracji do realu.

W kolejnych miesiącach nie patrz tylko na to, jak imponujące są filmy prezentacyjne – sprawdzaj trzy rzeczy: czy symulacja faktycznie zmniejsza trening w terenie, czy dane syntetyczne podnoszą skuteczność modeli, czy klienci rzeczywiście chcą za to regularnie płacić.

Poprzednia rewolucja AI zamieniła ludzką wiedzę w tokeny.
Następna być może zamieni cały świat rzeczywisty w dane możliwe do obliczenia, symulowania i trenowania.

Język sprawił, że AI zrozumiało człowieka; 3D może być tym, co pozwoli AI faktycznie wejść do naszego świata.

Portal Inwestycyjny USA VIP – Nowa odsłona

USA – Narzędzie AI do analizy ilościowej rynku – Prezentacja funkcjonalności produktu

Portal Inwestycyjny USA to firma fintech specjalizująca się w badaniu rynku amerykańskiego, założona w 2008 roku w Dolinie Krzemowej przez byłego analityka Nowojorskiej Giełdy Ken’a, razem z analitykami Morgan Stanley, inżynierami Google i Meta. Wykorzystuje AI, big data oraz wieloletnie doświadczenie praktyczne i modele ilościowe branży, tworzy bazę danych giełdowych, każdego dnia analizuje dziesiątki milionów danych: śledzi duże zlecenia opcji, bieżące przepływy kapitału, zmiany instytucjonalnych pozycji, nagłe wiadomości dotyczące Trumpa.