CEO AMI Labs, startupu Yanna LeCuna, odrzuca AGI i superinteligencję. Stawia na modele świata, które mają nauczyć roboty fizyki i myślenia kontekstowego.
W skrócie:
- Alexandre LeBrun z AMI Labs uważa, że terminy „AGI” i „superinteligencja” to bezużyteczne etykiety. Jego firma świadomie ich unika, skupiając się na konkretnych rozwiązaniach.
- AMI Labs pracuje nad „modelami świata”, które w przeciwieństwie do LLM-ów przewidują nie następne słowo, lecz kolejny stan fizyczny – np. co się stanie, gdy szklanka spadnie ze stołu.
- Firma szuka partnerów w Azji, głównie w Korei Południowej, by trenować swoje modele w realnym świecie – w fabrykach i przy użyciu prawdziwych robotów, a nie tylko w laboratorium.
W branży, która oszalała na punkcie wyścigu do ogólnej sztucznej inteligencji (AGI), a ostatnio przerzuciła się na jeszcze bardziej chwytliwą „superinteligencję”, pojawia się głos rozsądku. A może głos kontrarianina z miliardem dolarów w kieszeni. Alexandre LeBrun, CEO AMI Labs – startupu legendy AI, Yanna LeCuna – w rozmowie z TechCrunch mówi wprost: te terminy to marketingowa wydmuszka. “Nigdy nie użyliśmy słowa AGI. I właśnie zauważyłem, że nikt go już nie używa; przeszli na superinteligencję” – stwierdził. “Następnym razem przeskoczymy na coś innego”.
To nie jest tylko semantyczna złośliwość. To deklaracja fundamentalnie innego podejścia. Zamiast gonić za cyfrowym bogiem, AMI Labs chce rozwiązać znacznie bardziej przyziemny, a jednocześnie diabelnie trudny problem: sprawić, by AI zrozumiała prawa fizyki. By wiedziała, że zrzucona ze stołu szklanka spadnie i się rozbije. To intuicja, której dziś brakuje nawet najbardziej zaawansowanym systemom.
Superinteligencja? To nie jest zbyt użyteczne słowo
Podczas gdy konkurenci prześcigają się w zapowiedziach, LeBrun pozostaje sceptyczny. “Nie ma dobrej definicji. Czym jest superinteligencja? Nie wiem. To nie jest zbyt użyteczne słowo” – kwituje. Jego firma, która w marcu zebrała 1,03 miliarda dolarów przy wycenie 3,5 miliarda, pracuje nad czymś, co nazywa się „modelem świata” (world model). To koncepcja, którą od lat promuje Yann LeCun.
Na czym polega różnica? Duży model językowy (LLM), taki jak GPT, przewiduje następne słowo w sekwencji. Z kolei model świata ma przewidywać następny stan rzeczywistości. LeBrun tłumaczy to na prostym przykładzie: jeśli popchniesz szklankę stojącą na krawędzi stołu, twój mózg natychmiastowo modeluje przyszłość – przewiduje, że szklanka przechyli się, spadnie, a woda się rozleje. Właśnie tę intuicyjną znajomość fizyki AMI Labs chce zaszczepić maszynom.
LeBrun nie twierdzi, że modele świata zastąpią LLM‑y. Wręcz przeciwnie, uważa je za “komplementarne, a nie zastępowalne”. Modele językowe pozostaną najlepszym narzędziem do przetwarzania mowy i tekstu. Modele świata dostarczą im jednak kluczowego elementu: rozumienia kontekstu i fizycznego otoczenia. To jak połączenie dwóch różnych obszarów w ludzkim mózgu – jednego odpowiedzialnego za język, drugiego za rozumowanie przestrzenne.
Dlaczego roboty wciąż są “głupie w realnym świecie”?
Obecnie sztuczna inteligencja, jak to ujął LeBrun, pozostaje “naprawdę głupia w świecie fizycznym”. Roboty w fabrykach wykonują zaprogramowane, powtarzalne sekwencje ruchów. Są wydajne, ale całkowicie pozbawione świadomości tego, co dzieje się wokół nich. Problem zaczyna się, gdy maszyna opuszcza kontrolowane środowisko i trafia na ulicę lub do naszego domu.
LeBrun przywołał głośny incydent, w którym robot prezentujący swoje umiejętności taneczne i kung-fu na publicznym wydarzeniu, podszedł i kopnął dziecko. Dlaczego? Bo nie miał pojęcia o kontekście. Nie rozumiał, że dziecko to nie jest kolejny obiekt treningowy. “Sprzęt jest bardzo zaawansowany, postęp w hardware w ostatnich miesiącach jest niewiarygodny, ale brakuje mu mózgu” – mówi CEO AMI Labs. Nawet minimalna świadomość kontekstu, którą mają wnieść modele świata, zrobiłaby dla świata ogromną różnicę, czyniąc roboty bezpieczniejszymi.
Podobną analogię stosuje w odniesieniu do medycyny, branży, którą zna od podszewki (jego poprzednia firma, Nabla, tworzyła AI dla ochrony zdrowia). Według niego LLM‑y w medycynie są jak lekarz, który uczył się wyłącznie z podręczników, ale nigdy nie odbył stażu w szpitalu. Taka wiedza pokrywa “zaledwie 1% opieki zdrowotnej”. Reszta zależy od doświadczenia w realnym świecie.
Jak zbudować AI, która rozumie fizykę? Odpowiedź leży w Azji
Modelu świata nie da się zbudować w sterylnym laboratorium. Aby nauczyć AI rzeczywistości, potrzebny jest dostęp do tej rzeczywistości. I tu pojawia się kluczowy element strategii AMI Labs. LeBrun był niedawno w Seulu, gdzie podczas konferencji The International Conference on Machine Learning szukał partnerów przemysłowych – gigantów z branży robotyki, półprzewodników i elektroniki.
“Potrzebujemy dostępu do realnego świata i łatwiej jest nam go uzyskać z partnerami” – wyjaśnia. To właśnie Azja, a w szczególności Korea Południowa, ma fabryki, chipy i roboty, których potrzebuje AMI. LeBrun wskazuje na dwa powody, dla których ten kierunek jest tak atrakcyjny. Po pierwsze, Korea ma zaawansowany przemysł ciężki, który pierwsza fala AI ledwo dotknęła. Po drugie, to kraj znany z szybkości adaptacji nowych technologii. “Korea była najszybszym adaptorem internetu 25 lat temu” – przypomina.
To unikalne połączenie głębokiej bazy przemysłowej i gotowości do szybkiego wdrażania AI sprawia, że AMI chce tam być “od pierwszego dnia”. Pomimo gigantycznego finansowania i nazwiska LeCuna na sztandarze, firma nie ma jeszcze produktu ani harmonogramu. Na pytanie o premierę, LeBrun odpowiada tajemniczo: “Zrobimy niespodziankę, gdy będziemy gotowi”. A świat patrzy z uwagą.