Bir kahve sohbeti
Geçen hafta bir arkadaşımla kahve içerken "world model" lafı açıldı. Ben de bilmiş bilmiş anlatmaya başlamıştım ki fark ettim, konuyu kendim de yeni yeni çözüyorum. O yüzden bu yazı biraz o sohbetin devamı gibi. Elimde kahve, karşımda siz.
Önce şunu söyleyeyim: Bu konuda uzman değilim. Sadece son birkaç aydır takip eden, arada ağzı açık kalan biriyim.
Olay aslında ne?
Şu an kullandığımız dil modelleri metin üzerine kurulu. Milyarlarca sayfa okumuş, yazmayı sökmüş, ama hayatında bir bardağın masadan düştüğünü görmemiş. Fizik bilmiyor, fizik hakkında yazılanları biliyor. Arada fark var.
World model dediğimiz şey tam bu boşluğu hedefliyor. Dünyanın nasıl işlediğini içeride bir yerde modelleyen, "şunu yaparsam ne olur" sorusuna kendi kafasında cevap verebilen sistemler. Topu bıraksam düşer, kapıyı itsem açılır, sağa dönsem masa artık solumda kalır. Bize çok sıradan gelen şeyler, ama bir makineye bunu öğretmek hiç sıradan değil.
Arkadaşım burada "yani oyun motoru gibi mi?" dedi. Hayır, oyun motorunda kuralları biz yazıyoruz. Burada model kuralları kendisi çıkarıyor, izleyerek.
Kimler neyin peşinde?
Bu fikri yıllardır savunan isim Yann LeCun. Meta'dayken herkes dil modellerine koşarken o "asıl yol bu değil, bebekler gibi izleyerek öğrenmeli" diye tutturmuştu. V-JEPA adını verdikleri çalışma tam bunu yapıyor: Videoyu izliyor, nesnelerin nasıl hareket ettiğini kendi kendine çıkarıyor. Hani bebeklerin bir topun koltuğun arkasına girince yok olmadığını anlaması gibi. Kimse öğretmiyor, bakarak öğreniyor.
Sonra Google DeepMind'ın Genie'si çıktı ve ben orada bir süre ekrana baktım. Tek bir fotoğraf ya da bir cümle veriyorsunuz, içinde gezebildiğiniz bir dünya üretiyor. Önceden çizilmiş bir harita yok. Siz sağa dönünce sağda ne olacağına model o an karar veriyor. Biraz rüya gibi, biraz da ürkütücü.
Fei-Fei Li'nin kurduğu World Labs üç boyutlu, kalıcı dünyalar üretmeye odaklanmış. NVIDIA'nın Cosmos'u ise daha çok robotlar için: Gerçek dünyada bin kere düşmek yerine kafasında bin kere düşsün diye. Otonom araç tarafında Wayve, video tarafında Runway da aynı yarışta. Kısacası herkes aynı kapıya farklı pencereden bakıyor.
Peki neden umursayalım?
Bir robota yürümeyi gerçek dünyada öğretmek pahalı. Her deneme bir kol kırıyor, bir motor yakıyor. Ama kafasında deneyebilen robot, sabah uyandığında zaten denemiş oluyor. Otonom araçlar için de aynı hesap: Yolda karşılaşmadığın kaza senaryosunu simülasyonda bin kere yaşatabiliyorsun.
Belki daha önemlisi şu: "Anlamak" dediğimiz şey belki de tam budur. Bir şeyi anlamak, onun bir sonraki adımını tahmin edebilmek. Çocuklar böyle öğreniyor, biz böyle öğrendik.
Tabii masada eleştiriler de var, arkadaşım da hemen sordu. Bu modeller tutarlılığı uzun süre koruyamıyor; birkaç dakika gezince dünya "eriyor", az önce gördüğün kapı kayboluyor. Ve asıl soru hâlâ açık: Gerçekten anlıyor mu, yoksa çok iyi bir video tahmincisi mi? Dürüst olmak gerekirse bu soruya kimse net cevap veremiyor.
Kahve bitti, konu bitmedi
Benim vardığım yer şu: Dil modelleri bize konuşan bir şey verdi. World modeller belki de bakan bir şey verecek. Hangisinin daha büyük olduğunu birkaç yıl sonra anlayacağız.
Sohbet orada bitti, kahve de. Ama konu bende hâlâ açık. Siz ne düşünüyorsunuz, gerçekten anlıyorlar mı?
Bilgisayarlar Dünyayı Hayal Etmeye Başladı
Dil modelleri metin okuyarak öğrendi; world modeller ise dünyayı izleyerek öğrenmeye çalışıyor. Meta'nın V-JEPA'sı videodan fizik çıkarıyor, DeepMind'ın Genie'si tek bir görselden gezilebilir dünyalar üretiyor, World Labs ve NVIDIA Cosmos da robotlar ve 3B ortamlar için aynı yarışta. Vaat büyük: Robotlar ve otonom araçlar gerçek dünyada değil, kafalarında deneme yapabilecek. Ama bu modeller henüz tutarlılığı uzun süre koruyamıyor ve "gerçekten anlıyor mu, yoksa iyi bir tahminci mi" sorusu hâlâ açık.