Kryzys realizmu w AI: generatory wideo tworzą zachwycające obrazy, ale zawodzą w logice

Wizualna doskonałość współczesnych generatorów wideo, takich jak Sora 2, Seedance 2.0 czy Veo 3.1, przestała być wyznacznikiem ich faktycznej inteligencji. Choć na ekranie widzimy płynny ruch i kinową jakość, pod spodem kryje się głęboki deficyt zrozumienia mechanizmów rządzących rzeczywistością. Nowy benchmark WorldReasonBench, opracowany przez badaczy z Uniwersytetu Tsinghua, rzuca wyzwanie narracji o wszechmocy sztucznej inteligencji, sprawdzając nie to, jak ładnie wygląda wygenerowany obraz, ale czy to, co się na nim dzieje, ma jakikolwiek sens.

Problem spadającego jabłka

Tradycyjne metryki jakości obrazu często nagradzają modele za estetykę, ignorując błędy logiczne. WorldReasonBench odwraca tę hierarchię. Testy są bezlitosne: jeśli model otrzyma polecenie pokazania jabłka spadającego z gałęzi, może wygenerować klatki o perfekcyjnym oświetleniu, w których owoc nagle pęka jak balon lub wznosi się do góry. Z perspektywy algorytmu oceniającego piksele, wideo jest wysokiej jakości; z perspektywy fizyki – jest kompletną porażką. Benchmark analizuje 400 przypadków testowych w czterech kluczowych obszarach: wiedzy o świecie (prawa fizyki, normy kulturowe), interakcji międzyludzkich, logiki matematycznej oraz interpretacji danych i diagramów.

Przepaść między komercją a open source

Wyniki badania wskazują na wyraźną dominację rozwiązań komercyjnych nad modelami otwartymi. Systemy takie jak Seedance 2.0 od ByteDance (który zwyciężył w większości testów) czy Sora 2 uzyskują niemal dwukrotnie lepsze noty w zakresie rozumowania niż modele open source, takie jak LTX 2.3 czy HunyuanVideo 1.5. Warto jednak zauważyć, że nawet liderzy rynku kapitulują w starciu z czystą logiką. Zadania wymagające zrozumienia prostych obwodów elektrycznych, mechanizmu maszyn typu „chwytak” czy przewidywania ruchu kostek domina obnażają brak ciągłości informacyjnej modeli AI.

Piksele to nie wszystko

Badacze wprowadzili nową metrykę śledzącą, czy poprawne odpowiedzi modelu wynikają z dynamicznego zrozumienia procesu, czy są jedynie statycznym „szczęściem” uchwyconym na klatce. Okazuje się, że modele o otwartym kodzie są znacznie bardziej uzależnione od precyzyjnych, krokowych instrukcji (promptów). Gdy AI dostaje szczegółowy przepis na to, co ma się wydarzyć, radzi sobie lepiej, co sugeruje, że nie potrafi samodzielnie wywnioskować skutku z przyczyny. W tej dziedzinie komercyjne giganty radzą sobie znacznie sprawniej, choć wciąż daleko im do ludzkiego poziomu percepcji.

W stronę prawdziwych modeli świata

Dyskusja wokół WorldReasonBench podsyca szerszy spór w środowisku technologicznym: czy obecne generatory wideo to faktycznie „modele świata”, jak twierdzi Demis Hassabis z Google DeepMind, czy jedynie „ślepe zaułki” ewolucji AI, jak sugeruje Yann LeCun z Mety. Fakt, że OpenAI utrzymało zespół Sory do dalszych badań, rezygnując z natychmiastowej komercjalizacji, sugeruje, że droga od generatora pikseli do systemu rozumiejącego fizykę jest jeszcze daleka. Kluczem do sukcesu nie będzie kolejna poprawka rozdzielczości, lecz fundamentalna zmiana architektury w stronę zachowania spójności czasowej i kauzalnej.