DeepMind twierdzi, że modele wideo już są brakującymi modelami świata dla widzenia komputerowego

Zespół Google DeepMind twierdzi, że generatywne modele wideo, takie jak Veo 3, już dziś pełnią funkcję modeli świata, których od lat brakowało w widzeniu komputerowym. To odpowiedź na krytykę części środowiska badawczego, które w kwietniu 2026 roku formalnie wykluczyło generatory tekst-na-wideo z definicji prawdziwego modelu świata.

Co pokazuje Veo 3

Według badaczy DeepMind model Veo 3 radzi sobie bez żadnego dostrajania z zadaniami z zupełnie różnych dziedzin widzenia komputerowego. Wykrywa krawędzie, wykonuje segmentację obrazu i podnosi rozdzielczość materiału, mimo że nigdy nie był trenowany specjalnie pod te zadania.

Drugi obszar to rozumienie fizyki. Model symuluje wyporność, opór powietrza i odbicia światła, a w jednym z demonstrowanych przykładów usuwa klocki z wieży Jenga w sposób fizycznie wiarygodny, zachowując spójność całej konstrukcji.

Rozumowanie klatka po klatce

Najbardziej zaskakująca część demonstracji dotyczy rozumowania wizualnego. Veo 3 rozwiązuje labirynty, rozpoznaje symetrie, sortuje liczby i uzupełnia sudoku. Badacze nazywają to zjawisko 'chain-of-frames' - każda kolejna klatka wideo staje się krokiem w procesie rozumowania, podobnie jak kolejne zdania w łańcuchu myślowym dużych modeli językowych.

Model potrafi też manipulować obrazem: usuwać tło, zmieniać kolor obiektów i generować nowe ujęcia tej samej sceny, w niektórych przypadkach zachowując więcej szczegółów niż wyspecjalizowane narzędzia do edycji zdjęć.

Uważamy, że modele wideo staną się uniwersalnymi, ogólnego przeznaczenia modelami fundamentowymi dla widzenia maszynowego, tak jak duże modele językowe stały się modelami fundamentowymi dla przetwarzania języka naturalnego - badacze Google DeepMind

Spór o definicję modelu świata

Twierdzenie DeepMind trafia w sam środek toczącego się od miesięcy sporu. Gdy OpenAI nazwało Sorę 'symulatorem świata', a szef DeepMind Demis Hassabis wygłaszał podobne opinie o Veo, część badaczy uznała to za nadużycie terminologii. W kwietniu 2026 roku zespół OpenWorldLib opublikował pracę, w której wprost wykluczył generatory tekst-na-wideo z definicji modelu świata.

Argument tych badaczy jest prosty: model, który tylko generuje wideo na podstawie tekstu, nie postrzega swojego otoczenia i nie wchodzi z nim w interakcję. Prawdziwy model świata musi zamykać pętlę sprzężenia zwrotnego ze środowiskiem, czego pasywna generacja treści nie zapewnia. Do tej krytyki dołącza Yann LeCun, szef działu AI w Mecie, który konsekwentnie nazywa generatywne podejście do modeli świata ślepym zaułkiem i opowiada się za architekturami predykcyjnymi jako alternatywą.

Dlaczego to ma znaczenie

Spór nie jest tylko akademicką sprzeczką o definicje. Jeśli teza DeepMind się potwierdzi, jeden uniwersalny model wideo mógłby zastąpić dziesiątki wyspecjalizowanych systemów widzenia komputerowego używanych dziś w robotyce, monitoringu, medycynie obrazowej czy przemyśle - podobnie jak duże modele językowe wyparły wąsko wyspecjalizowane narzędzia do przetwarzania tekstu.

Dla firm budujących produkty oparte na widzeniu komputerowym oznacza to potencjalną zmianę strategii: zamiast trenować osobny model do każdego zadania, można próbować wykorzystać ogólny model wideo i jedynie odpowiednio go promptować. DeepMind rozwija równolegle rodzinę Genie, w tym Genie 3, generującą interaktywne trójwymiarowe światy spójne przez wiele minut w rozdzielczości 720p przy 24 klatkach na sekundę - to inne podejście niż pasywna generacja tekst-na-wideo, bliższe definicji modelu świata forsowanej przez krytyków.

Rozstrzygnięcie sporu nie nastąpi szybko. Obie strony zgadzają się co do jednego: modele wideo szybko zyskują zdolności, których nikt się po nich nie spodziewał jeszcze dwa lata temu. To, czy nazwiemy je modelami świata, czy tylko bardzo zdolnymi generatorami treści, zdecyduje w dużej mierze o tym, jak firmy i badacze zaplanują kolejne lata inwestycji w widzenie komputerowe.