ChatGPT jatkaa lausetta, tämä tekoäly jatkaa maailmaa

Elokuussa 2025 Google DeepMindin tutkimusjohtaja Shlomi Fruchter selitti toimittajille, miten yhtiön uusi malli rakentaa maailmaa. ”Malli on autoregressiivinen, eli se tuottaa yhden kuvaruudun kerrallaan”, Fruchter sanoi englanniksi TechCrunchille. ”Sen täytyy katsoa taaksepäin, mitä on jo tuotettu, päättääkseen, mitä seuraavaksi tapahtuu.”

Malli oli Genie 3. Tällä viikolla DeepMind julkaisi seuraajan, Genie 4:n, josta AI Suomi kertoi uutisessaan. Nyt on hyvä hetki vastata kysymykseen, jota moni on kysynyt: mikä on maailmamalli, ja miksi sitä pidetään kielimallien jälkeisenä seuraavana askeleena?

Mikä on maailmamalli?

Maailmamalli on tekoälymalli, joka oppii, miten jokin ympäristö toimii, ja ennustaa, mitä siinä tapahtuu seuraavaksi. Kun käyttäjä tai robotti tekee jotain, malli laskee seuraavan hetken: miltä näkymä näyttää, mihin esineet liikkuvat ja mitä kuuluu. Genie 4:ssä tämä tapahtuu reaaliajassa, ja tuotetussa maailmassa voi liikkua näppäimistöllä kuin videopelissä.

Maailmaa voi myös ohjata tekstillä. Käyttäjä voi esimerkiksi pyytää sadetta tai lisätä kohtaukseen ihmisiä. DeepMindin mukaan Genie 4 nojaa yhtiön Gemini-malleihin, jotka valvovat kohtausta käyttäjän syötteiden välillä ja pitävät maailman johdonmukaisena. Malli tuottaa kuvan lisäksi myös ääntä.

Ero kielimalliin: kahvimuki pöydän reunalla

Kielimalli, esimerkiksi ChatGPT:n tai Geminin taustalla toimiva, ennustaa tekstiä sana kerrallaan. Se on lukenut valtavan määrän kirjoitettua kieltä ja osaa kertoa, että lasi rikkoutuu pudotessaan kivilattialle. Lasia se ei kuitenkaan näe.

Ajatellaan keittiötä. Jos kysyt kielimallilta, mitä tapahtuu, kun tönäiset pöydän reunalla olevaa kahvimukia, saat oikean vastauksen sanoina. Maailmamalli näyttää sen: muki kallistuu, putoaa ja kahvi leviää lattialle. Jos käännät katseen hetkeksi jääkaappiin ja palaat, sirpaleiden pitäisi olla yhä samassa paikassa.

Viimeinen kohta on vaikein. Kielimallin pitää muistaa, mitä keskustelussa on sanottu. Maailmamallin pitää muistaa, missä kaikki on, ja noudattaa painovoimaa.

Ero on tutkijoiden mukaan ratkaiseva koneille, joiden pitää toimia fyysisessä maailmassa. Teksti ei opeta robottia tarttumaan mukiin, mutta maailma, jossa voi harjoitella, voi opettaa.

Mihin maailmamalleja käytetään?

Näkyvin käyttö on peleissä ja luovassa työssä. DeepMindin mukaan elokuvantekijät voivat kokeilla Genie 4:llä kohtauksia nopeina luonnoksina ja pelinkehittäjät rakentaa konsepteista pelattavia prototyyppejä. Toistaiseksi malli on vain valittujen testaajien käytössä, mutta yhtiö lupaa sen pian Google AI Ultra -tilaajille ja Gemini-rajapinnan kumppaneille.

Itseohjautuvat autot ovat jo pidemmällä. Waymo julkaisi helmikuussa 2026 oman maailmamallinsa, joka on rakennettu Genie 3:n päälle. Sillä yhtiö simuloi tilanteita, joita sen autot eivät ole koskaan kohdanneet: tornadon, tulvineen umpikujan, jossa kelluu huonekaluja, ja tiellä seisovan norsun. Simulaattori tuottaa kamerakuvan lisäksi lidar-dataa, jota auton anturit käyttävät.

Waymon robottitaksit ovat ajaneet yleisillä teillä yhtiön mukaan lähes 200 miljoonaa mailia ilman kuljettajaa. Norsuja tulee silti vastaan harvoin. Juuri harvinaiset tilanteet ovat se kohta, jossa simulaatiosta on eniten hyötyä.

Robotiikassa logiikka on sama. Robotin opettaminen oikeassa maailmassa on hidasta ja kallista, ja jokainen virhe voi rikkoa jotain. Maailmamallin sisällä robotti voi yrittää tuhat kertaa. DeepMind esitteli Genie 4:n yhteydessä demon, jossa robotti pelasi tammea.

Tavallinen ihminen kohtaa maailmamallit aluksi välillisesti. Jos robottitaksi tai varastorobotti on harjoitellut harvinaisia vaaratilanteita simulaatiossa, se reagoi todennäköisemmin oikein, kun sellainen tulee vastaan oikeasti. Yrityksille simulaatio tarkoittaa halvempaa ja nopeampaa testausta. Samalla koneen turvallisuus alkaa nojata siihen, kuinka hyvin keinotekoinen maailma vastaa todellista.

Missä maailmamallit vielä pettävät

DeepMind kirjoittaa rajoitteista suoraan. Yhtiön mukaan Genie 4 pysyy johdonmukaisena lyhyissä istunnoissa, mutta pidemmissä maailma alkaa liukua. Tiedotteessa koko alaa kuvataan edelleen varhaiseksi, kehittyväksi tutkimusalueeksi.

Esineiden pysyvyys on asia, jonka ihmislapsi oppii ensimmäisenä elinvuotenaan: tavara ei katoa, kun siitä katsoo pois. Maailmamallille se on vaikeaa, koska malli ei tallenna maailmaa karttana. Se päättelee jokaisen ruudun aiemmista ruuduista, kuten Fruchter kuvasi, ja pienet virheet kasautuvat. Keittiöesimerkissä sirpaleet voivat kadota tai muuttua lusikaksi, jos jääkaappia katsoo liian kauan.

Fysiikka on toinen heikko kohta. DeepMind mainitsee keskeneräisinä tutkimuskohteina monimutkaiset fyysiset vuorovaikutukset, tilallisen tarkkuuden ja pitkän aikavälin johdonmukaisuuden. Sama näkyi jo edellisessä versiossa: TechCrunch huomautti, ettei Genie 3:n laskettelijademossa lumi liikkunut niin kuin oikea lumi liikkuu.

Seuraavien vuosien tärkein avoin asia on, kuka tarkistaa simulaation. Kielimallin hallusinaatio on väärä lause, jonka ihminen voi lukea ja korjata. Maailmamallin hallusinaatio on väärää fysiikkaa, ja jos robotti tai auto harjoittelee sen varassa, virhe voi siirtyä oikeaan koneeseen huomaamatta. Siksi maailmamallien testaamisesta on todennäköisesti tulossa oma alansa samaan tapaan kuin kielimallien arvioinnista.