Новая парадигма в ИИ: взгляд NVIDIA

Джим Фан, руководитель направления робототехники компании NVIDIA, анонсировал кардинальное изменение в парадигме искусственного интеллекта. По его мнению, показательным является то, что предсказание следующего слова стало устаревшим. Новый фокус смещается на предсказание физических состояний окружающего мира. Основная проблема заключается в том, что современные модели VLA для робототехники основываются на языковых моделях, в которых знания представлены как факты («это лого Coca-Cola»), а не в контексте физических взаимодействий (например, «если наклонить бутылку, жидкость прольется»). Это создает архитектурный тупик. Фан приводит интересную аналогию с приматами, которые, даже не обладая столь высоким уровнем языкового понимания, могут управлять гольф-каруселями. Он подчеркивает, что треть коры мозга отвечает за визуальное восприятие, а язык является лишь дополнительным элементом. Ожидается, что в этом году «модели мира» — системы, способные предсказывать будущие состояния на основе действий, станут ключевыми для робототехники, совершая переход к визуальному мышлению вместо текстового перевода. Это редкий случай, когда представитель крупной корпорации признает, что текущий путь может быть неверным.