Koniec ery chatbotów? JEPA uczy AI przewidywać świat, a nie tylko słowa

Najbliższy przełom w sztucznej inteligencji może nie polegać na stworzeniu jeszcze lepszego chatbota. Coraz większe znaczenie zyskują modele, które próbują zbudować wewnętrzną reprezentację świata, przewidywać jego zmiany i dopiero na tej podstawie planować działanie. Jednym z najważniejszych kierunków tych badań jest JEPA, czyli Joint Embedding Predictive Architecture.

JEPA przewiduje znaczenie, a nie każdy piksel

W klasycznych modelach generatywnych system często próbuje odtworzyć brakujący fragment obrazu, wideo albo tekstu możliwie dokładnie. JEPA działa inaczej. Na podstawie widocznego kontekstu przewiduje reprezentację brakującego fragmentu w przestrzeni abstrakcyjnej. Dzięki temu nie musi zgadywać szczegółów, których nie da się wiarygodnie przewidzieć, takich jak dokładne ułożenie liści poruszanych przez wiatr.

Meta pokazała tę koncepcję w modelu I-JEPA dla obrazów. System uczył się rozpoznawać semantyczne cechy obiektów, zamiast rekonstruować każdy piksel. W opublikowanym eksperymencie model z 632 milionami parametrów trenowano na 16 układach Nvidia A100 przez mniej niż 72 godziny. To wynik badawczy, a nie obietnica, że każdy model JEPA będzie tańszy lub lepszy od popularnych narzędzi.

Od obrazu do fizycznego świata

Kolejny krok stanowi V-JEPA, czyli wersja uczona na wideo. Film dostarcza informacji o ruchu, czasie i relacjach między obiektami. Model może więc nie tylko rozpoznać, że na nagraniu znajduje się piłka, lecz także nauczyć się, co prawdopodobnie stanie się po jej rzuceniu. To ważna różnica między opisaniem sceny a przygotowaniem użytecznej prognozy.

W czerwcu 2025 roku Meta zaprezentowała V-JEPA 2, model z 1,2 miliarda parametrów. Według firmy został on wytrenowany przede wszystkim na wideo i zaprojektowany do trzech zadań: rozumienia obserwowanej sceny, przewidywania jej rozwoju oraz planowania sekwencji działań. Meta pokazała również zastosowania związane z planowaniem ruchów robota w nowych środowiskach. Trzeba jednak pamiętać, że są to rezultaty badań i demonstracji, a nie dowód na ogólną, niezawodną inteligencję fizyczną.

Dlaczego to może być ważniejsze od kolejnego chatbota?

Duże modele językowe świetnie operują symbolami, ale sam tekst nie daje pełnego kontaktu z konsekwencjami działań. Robot sprzątający, autonomiczny samochód czy okulary rozszerzonej rzeczywistości muszą uwzględniać odległość, bezwładność, przeszkody i zmiany zachodzące w czasie. Model świata może pełnić funkcję wewnętrznego symulatora: przed wykonaniem polecenia ocenić kilka możliwych scenariuszy i wybrać ten, który najlepiej prowadzi do celu.

To także potencjalna odpowiedź na problem nadmiernego dopowiadania. Chatbot może wygenerować płynne, lecz nieprawdziwe zdanie, bo jego zadaniem jest przewidywanie kolejnych elementów tekstu. JEPA ma skupiać się na tym, co w danej sytuacji jest przewidywalne i istotne. Nie usuwa to błędów, ale może ograniczyć presję na tworzenie pozornie kompletnej odpowiedzi za wszelką cenę.

Co jeszcze stoi na drodze?

Modele JEPA nie rozwiązują automatycznie problemu rozumowania, bezpieczeństwa ani odpowiedzialności za działanie. Świat fizyczny jest nieprzewidywalny, a błędna ocena odległości lub intencji człowieka może mieć poważniejsze skutki niż pomyłka w odpowiedzi tekstowej. Dochodzi do tego koszt trenowania, jakość danych wideo oraz pytanie, jak sprawdzać prognozy dla sytuacji, których model wcześniej nie widział.

Najbardziej prawdopodobny scenariusz nie zakłada nagłego zastąpienia chatbotów. Bardziej realne jest połączenie modeli językowych z modelami świata. Chatbot mógłby odpowiadać i planować, a JEPA dostarczałaby mu informacji o tym, co faktycznie może wydarzyć się w otoczeniu. Takie połączenie byłoby ciekawszym krokiem niż sama kolejna wersja narzędzia do pisania e-maili. Więcej o obecnym wyścigu między popularnymi modelami przeczytasz w naszym porównaniu ChatGPT, Claude’a i Gemini.