Světový model (anglicky world model) je v oblasti umělé inteligence systém strojového učení, který vytváří vnitřní reprezentaci prostředí a umožňuje predikci jeho vývoje v čase na základě provedených akcí. Tyto modely se používají zejména v úlohách plánování a rozhodování, kde slouží k simulaci možných budoucích stavů bez nutnosti přímé interakce s reálným prostředím.Sutton, R. S. (1991). Dyna, an Integrated Architecture for Learning, Planning, and Reacting. Machine Learning.

World models se odlišují od čistě diskriminačních nebo generativních modelů tím, že explicitně modelují dynamiku prostředí, včetně přechodových pravděpodobností stavů, interakcí objektů a příčinných vztahů. Tento přístup je typický pro model-based metody v posilovaném učení.Kaelbling, L. P., Littman, M. L., & Moore, A. W. (1996). Reinforcement Learning: A Survey. Journal of Artificial Intelligence Research.

Základy přístupu lze nalézt v metodách kombinujících učení a plánování, například v architektuře Dyna, která integruje zkušenost z prostředí s plánováním založeným na naučeném modelu.Sutton, R. S. (1990). Integrated Architectures for Learning, Planning, and Reacting Based on Approximating Dynamic Programming. Proceedings of the Seventh International Conference on Machine Learning. Oživení zájmu o světové modely v hlubokém učení je spojováno zejména s prací World Models, která představila použití neuronových sítí pro učení latentní reprezentace prostředí a jeho dynamiky.Ha, D., & Schmidhuber, J. (2018). World Models. arXiv:1803.10122.

Word models jsou zkoumány zejména v oblasti robotiky, autonomních systémů a generativních simulací prostředí.

Modely World model (model světa) je AI systém, který se z dat učí interní reprezentaci prostředí a umožňuje agentům předpovídat, jak se svět bude vyvíjet a jak jejich akce ovlivní jeho stav. Níže jsou modely rozděleny do osmi kategorií podle jejich primárního zaměření.

1. Model-based reinforcement learning (MBRL) Tyto modely se učí interní reprezentaci dynamiky prostředí v latentním prostoru. Agent následně plánuje a jedná „v představivosti" (in imagination), bez nutnosti interakce s reálným prostředím v každém kroku.

DreamerV1 / DreamerV2 / DreamerV3 (Google DeepMind) – rodina agentů budovaná Danijar Hafnerem a kolegy. DreamerV1 (2020) byl omezen na kontinuální řízení; DreamerV2 (2021) překonal lidský výkon na Atari; DreamerV3 (2023, publikováno v Nature 2025) zvládá přes 150 různých úloh s jedinou sadou hyperparametrů – jako první algoritmus autonomně získal diamanty v Minecraftu bez jakýchkoliv lidských demonstrací. Architektura využívá rekurentní model stavového prostoru (RSSM) v latentním prostoru. MuZero (Google DeepMind, 2020) – kombinuje prohledávání Monte Carlo Tree Search (MCTS) s naučeným world modelem. Na rozdíl od Dreameru nikdy nerekonstruuje pozorování; modeluje pouze odměny a hodnoty relevantní pro rozhodování. Dosáhl nadlidské úrovně v šachu, šogi, Go a Atari. PlaNet (Google DeepMind, 2019) – průkopnický model latentní dynamiky (RSSM), dostatečně přesný pro plánování přímo z pixelů; stal se architektonickým základem pro rodinu Dreamer. DayDreamer (UC Berkeley, 2022) – aplikace algoritmu Dreamer na fyzické roboty. Bez využití simulátorů nebo lidských demonstrací naučil čtyřnohého robota chodit za hodinu; robotická ramena zvládla úlohu přemísťování předmětů za přibližně 10 hodin. TD-MPC2 (UC San Diego – Hansen, Su, Wang; ICLR 2024) – škálovatelný a robustní world model pro spojité řízení. Provádí lokální optimalizaci trajektorie v latentním prostoru implicitního world modelu; s jedinou sadou hyperparametrů podává konzistentní výsledky na 104 úlohách napříč různými doménami. Je široce používán v robotice a spojitém řízení. DIAMOND (Diffusion for World Modelling; NeurIPS 2024 Spotlight) – využívá difuzní modely k přesnější predikci dynamiky prostředí; modeluje vizuální detaily prostředí prostřednictvím iterativního denoising procesu.

2. Prediktivní world models Zaměřují se na předpovídání budoucích stavů světa. Na rozdíl od generativních modelů zpravidla nepracují na úrovni pixelů, ale v latentním prostoru nebo na úrovni fyzikálních a senzorických reprezentací.

V-JEPA / V-JEPA 2 (Meta AI) – architektura Joint Embedding Predictive Architecture (JEPA) pro video. V-JEPA 2 (červen 2025) je model s 1,2 miliardami parametrů předtrénovaný na více než milionu hodin internetového videa; dosahuje špičkového výkonu v porozumění pohybu i anticipaci akcí. Umožňuje zero-shot plánování pro roboty interagující s neznámými předměty v nových prostředích. Cosmos Predict (NVIDIA) – součást ekosystému Cosmos, specializovaná na predikci fyzikální dynamiky pro trénink autonomních systémů a robotiky. UniSim (Universal Neural Closed-Loop Sensor Simulator; Waabi / University of Toronto, CVPR 2023) – neuronální senzorický simulátor, který z jednoho nahraného jízdního záznamu vytvoří realistickou uzavřenou smyčku multisenzorické simulace (kamera + LiDAR). Projekt vedla Raquel Urtasun; stojí u základu simulátoru Waabi World. IRASim (Interactive Robot Action Simulation) – model zaměřený na predikci interakcí a akcí v robotických prostředích; generuje video simulace fyzické manipulace podmíněné 3D trajektoriemi.

3. Generativní světové simulátory Modely generující vizuálně realistická, interaktivní a fyzikálně konzistentní prostředí. Fungují jako neuronální herní enginy nebo generátory prostředí řízené uživatelským vstupem.

Genie / Genie 2 / Genie 3 (Google DeepMind) – řada general-purpose world modelů. Genie 3 (srpen 2025) generuje z textového popisu interaktivní prostředí v rozlišení 720p při 24 fps v reálném čase; využívá autoregresní generování místo pevně zakódovaného fyzikálního enginu. Oasis / Oasis 2 (Decart AI & Etched) – interaktivní generátor světa v reálném čase simulující herní prostředí inspirované Minecraftem; implementuje world model prostřednictvím transformerové architektury. GameNGen (Google Research / Google DeepMind / Tel Aviv University, 2024) – neuronální herní engine schopný simulovat hry v reálném čase (konkrétně DOOM) bez klasického herního kódu; využívá difuzní model. Sora (OpenAI) – video generativní model s vysokou fyzikální konzistencí, často interpretovaný jako simulátor světa; umožňuje generování videí na základě textových promptů. Cosmos (NVIDIA) – ekosystém world foundation modelů (zahrnuje Cosmos Predict i Cosmos Transfer); zaměřen na generování fyzikálně konzistentních videí a syntetických dat pro trénink autonomních systémů a robotů. GameGen-X – model pro generování rozsáhlých open-world herních prostředí z textových popisů nebo herních vstupů.

4. Robotické world models (Vision-Language-Action) Foundation modely propojující vizuální vnímání, jazyk a akci (Vision-Language-Action, VLA). Umožňují generalizaci na nové úkoly, objekty a prostředí v robotice.

RT-1 / RT-2 / RT-X (Google DeepMind) – progresivní řada robotických transformerů. RT-2 kombinuje velký vizuálně-jazykový model s přímým generováním robotických akcí; RT-X rozšiřuje přístup na více tělesností (cross-embodiment). Helix / Helix 02 (Figure AI) – foundation model pro humanoidní roboty; navržen pro generalizaci manipulačních úloh ve fyzickém světě. π0 / π0.5 (Physical Intelligence, 2024–2025) – VLA modely pro obecnou robotickou manipulaci. π0 kombinuje předtrénovaný vizuálně-jazykový model s flow matching pro spojité generování akcí; trénován na datech z osmi různých robotických platforem. π0.5 dále rozšiřuje schopnost generalizace na otevřený svět. OpenVLA – open-source VLA model se 7 miliardami parametrů trénovaný na 970 000 robotických epizodách z datasetu Open X-Embodiment (Stanford, UC Berkeley, Google DeepMind, Toyota Research Institute). GR00T N1 (NVIDIA) – foundation model pro humanoidní robotiku, trénovaný na videu, textu a reálných robotických demonstracích. V-JEPA 2 (Meta AI) – viz sekci 2; využíván i pro zero-shot plánování a navigaci v robotice.

5. World models pro autonomní řízení Tyto modely jsou klíčové pro samořiditelná vozidla. Učí se předvídat chování ostatních účastníků provozu, generovat syntetická data ze senzorů (kamery, LiDAR) a simulovat dopravní scénáře v uzavřené smyčce (closed-loop simulation).

GAIA-1 / GAIA-2 (Wayve) – generativní world modely specificky navržené pro autonomní řízení. GAIA-2 (2025) je latentní difuzní world model umožňující řízenou generaci víceúhlového videa; podmíněn dynamikou ega vozidla, konfigurací agentů, faktory prostředí a sémantikou vozovky. Generuje prostorově-temporálně konzistentní záběry v geograficky různorodých prostředích (UK, USA, Německo). DriveDreamer – model schopný generovat strukturované dopravní scénáře na základě textových popisů nebo map; prezentovaný na ECCV 2024. OccWorld (Occupancy World Model) – předpovídá budoucí stav světa ve formě 3D obsazenosti prostoru (occupancy), což je pro autonomní vozidla informačně bohatší reprezentace než pouhé 2D video. UniAD (Unified Autonomous Driving) – sjednocuje vnímání, predikci a plánování do jediného end-to-end world modelu pro autonomní řízení. MILE (Model-based Imitation Learning for End-to-end driving) – učí se řídit tím, že si v latentním prostoru představuje budoucí stavy vozovky; navržen pro vzorkově efektivní trénink.

6. Prostorové a 3D world models (Spatial Intelligence) Zatímco generativní simulátory (jako Genie) pracují primárně s 2D obrazem, tyto modely chápou a generují svět jako explicitní 3D strukturu – základ pro tzv. prostorovou inteligenci (spatial intelligence).

World Labs (tým Fei-Fei Li) – vývoj Large Spatial Models (LSM), které chápou a generují perzistentní, interaktivní 3D světy s konzistentní geometrií a fyzikou. Dynamické 3D Gaussian Splatting (3DGS) modely – nová generace modelů využívajících mračna 3D Gaussových funkcí místo klasických mesh sítí; umožňují realistické renderování a simulaci 3D prostředí v reálném čase. LERF (Language Embedded Radiance Fields) – kombinuje 3D reprezentaci světa (NeRF/3DGS) s jazykovými embeddingy, takže robot nebo agent se může v 3D světě orientovat pomocí textových dotazů (např. „najdi červenou židli").

7. Sociální a multi-agentní world models Tyto modely simulují lidské chování, záměry a sociální interakce – nikoliv fyziku. Jsou klíčové pro roboty pracující mezi lidmi nebo pro NPC ve hrách.

Generative Agents (Stanford / Google, UIST 2023) – průkopnický framework, kde 25 LLM agentů obývá simulované město Smallville. Každý agent má vlastní paměť, reflektuje minulé události a plánuje akce; výsledkem jsou věrohodné emergentní sociální jevy (šíření informací, spontánní organizace akcí, vznik sociálních vazeb). Autoři jsou z Stanfordu (Park, O'Brien, Liang, Bernstein) a Googlu (Morris, Cai). AgentFormer – model pro předpovídání budoucích trajektorií a záměrů více agentů (chodců, vozidel) zároveň s využitím sociálního kontextu prostřednictvím transformerové architektury. Social-BiGAT – grafový model zaměřený na predikci pohybu davu a interakcí mezi lidmi na základě sociálních vazeb; využívá grafové neuronové sítě a mechanismus pozornosti.

8. Neurosymbolické a fyzikální world models Na rozdíl od čistě neuronových sítí, které se fyziku učí empiricky z dat, tyto modely kombinují neuronové sítě s explicitními fyzikálními enginy nebo symbolickou logikou.

Neural Physics Engines (NPE) – kombinují hluboké učení s klasickými fyzikálními simulátory, aby se model naučil přesné fyzikální zákonitosti a neporušoval je (zachování energie, konzistentní kolize apod.). DiffTaichi – framework pro Differentiable Programming, který umožňuje trénovat world modely přímo nad fyzikálními simulacemi (kapaliny, měkké tkáně, granulární materiály); gradient lze zpropagovat přes fyzikální simulaci až do parametrů neuronové sítě. LLM-as-a-Physics-Solver – přístup, kde LLM negeneruje přímo pixely nebo latentní stavy, ale generuje kód pro fyzikální engine (MuJoCo, PyBullet, Warp); výsledkem je logicky odvozený, fyzikálně konzistentní world model pro danou úlohu.

Odkazy