Ślepe na ludzkie intencje. Dlaczego modele świata potrzebują teorii umysłu

Obecny wyścig zbrojeń w dziedzinie sztucznej inteligencji koncentruje się wokół tzw. modeli świata (world models). To one mają być fundamentem dla autonomicznych agentów, zdolnych przewidywać, jak zmieni się otoczenie pod wpływem konkretnego działania. Jednak najnowsza publikacja zespołu badawczego z Uniwersytetu Pekińskiego rzuca cień na dzisiejsze osiągnięcia gigantów takich jak OpenAI czy Meta. Naukowcy argumentują, że systemy pokroju Sora, Genie czy JEPA są w gruncie rzeczy „bezduszne” – modelują wyłącznie warstwę fizyczną: ruch, pozycję obiektów i okluzję, kompletnie ignorując zmienne psychologiczne.

To krytyczny moment dla rozwoju AI. Jak wynika z publikacji w serwisie ArXiv, samo renderowanie realistycznych wideo nie oznacza zrozumienia rzeczywistości. Badacze wykazali, że bez uwzględnienia teorii umysłu — czyli zdolności do przypisywania innym przekonań, celów i emocji — maszyny nigdy nie wyjdą poza etap zaawansowanych symulatorów cząsteczek. Według danych z benchmarku Menti-Bench, luka między wynikami modeli a ludźmi wynosi obecnie około 80%, podczas gdy człowiek w tych samych testach osiąga niemal bezbłędne 98,5 pkt.

Problem ukrytego kubka

Autorzy artykułu wskazują na fundamentalną lukę w obecnej architekturze AI. Modele fizyczne doskonale radzą sobie z przewidywaniem, że upuszczony przedmiot spadnie na ziemię, ale zawodzą, gdy w grę wchodzi interakcja międzyludzka. Ilustruje to prosty przykład: jeśli kubek danej osoby zostanie schowany do szafki pod jej nieobecność, system oparty wyłącznie na fizyce uzna scenę za spójną, ale nie będzie w stanie przewidzieć kolejnego ruchu tej osoby. „Model, który śledzi scenę fizyczną, ale nie to, co każdy agent wie i w co wierzy na jej temat, przewiduje niewłaściwe działanie dla dobrze wyglądającej sceny” — zauważają autorzy.

Odpowiedzią na ten deficyt ma być ramą Mental World Modeling (MWM). Rozszerza on klasyczne zmienne o stany mentalne: cele, intencje, emocje, normy społeczne i relacje. W tym ujęciu każde działanie dzieli się na fizyczny „nośnik” (np. gest podania ręki) oraz mentalny „ładunek” (np. powitanie czy próba oszustwa). Ten sam ruch może oznaczać diametralnie różne rzeczy w zależności od kontekstu psychologicznego.

Architektura zrozumienia: System MENTIS

Aby sprawdzić teorię w praktyce, naukowcy stworzyli MENTIS — modularną strukturę, która zmusza LLM do zachowywania się jak model świata mentalnego bez konieczności kosztownego dotrenowywania. Proces dzieli się na sześć etapów, od analizy sceny po symulację równoległych wariantów zdarzeń, które są oceniane pod kątem fizycznego prawdopodobieństwa i spójności mentalnej.

Wyniki testów przeprowadzonych na zbiorze Menti-Bench są jednoznaczne. Wykorzystując modele takie jak GPT-5.6-Sol czy Claude Fable 5, badacze wykazali, że każda kolejna warstwa modelowania mentalnego podnosi skuteczność AI. Podczas gdy bezpośrednie odpowiedzi modeli osiągały wynik F1 na poziomie 63,3 pkt, pełna konfiguracja MWM wyśrubowała ten rezultat do 87,9 pkt. Co ciekawe, usunięcie samego kanału mentalnego obniża trafność przewidywań o 12,1 punktu, co pokazuje, jak ważna jest ta „niewidzialna” warstwa.

Wąskie gardło symulacji

Analiza błędów wykazała, że największym wyzwaniem dla współczesnej sztucznej inteligencji nie jest sam opis rzeczywistości, lecz symulowanie przejść między stanami. Brak kanału mentalnego w testach interpersonalnych powodował spadek trafności o ponad 26 punktów procentowych w specyficznych scenariuszach.

Debata o tym, co faktycznie stanowi „model świata”, zaostrza się. Podczas gdy Yann LeCun z Mety od lat krytykuje podejście generatywne jako ślepą uliczkę, nowa praca sugeruje, że problem leży głębiej – w braku empatii obliczeniowej. I choć badacze zastrzegają, że nie próbują symulować świadomości, a jedynie stawiać hipotezy na temat intencji, wniosek pozostaje jasny: AI nie zrozumie świata, dopóki nie zacznie brać pod uwagę tego, co niewidoczne dla oka.