Veo 3: границы генеративного ИИ или прорыв в визуальном мышлении?

По данным исследований, проведенных Google DeepMind, генеративные модели видео демонстрируют способность решать задачи, на которые они не были явно обучены. В работе под названием «Video Models are Zero-shot Learners and Reasoners» специалисты оценили возможности модели Veo 3, используя более чем 12 испытаний на задачи, связанные с восприятием, моделированием и логикой.

В некоторых случаях модель показала высокую стабильность. Например, Veo 3 успешно генерировала видео, где роботические руки открывают банку или ловят мяч. Также модель без ошибок выполнила задачи по устранению размытости, восстановлению пропущенных участков изображения и выявлению границ объектов. Всего таких задач было более 60, и в 46 из них модель показала результат выше нуля.

Однако в ряде случаев Veo 3 не справилась с задачами. Например, при генерации видео с выделением символа на сетке модель ошиблась в 9 из 12 попыток. Аналогичная статистика была зафиксирована при моделировании горения бумаги в пламени Бунзена и при решении лабиринта. В задаче сортировки чисел модель ошиблась в 11 из 12 случаев.

Исследователи не рассматривают эти сбои как доказательство неспособности модели, а как признак ее потенциала. В работе говорится, что успех в хотя бы одной из 12 попыток означает, что модель обладает способностью решать задачу. Таким образом, 18 задач были отмечены как частично успешные, а 14 — как умеренно успешные.

Несмотря на это, нестабильность результатов ограничивает практическое применение модели. Для того чтобы генеративные модели видео могли стать универсальными инструментами, как большие языковые модели, им нужно демонстрировать гораздо более высокую надежность.

Сравнение Veo 3 с предыдущей версией Veo 2 показывает прогресс. Например, в задаче отражения случайного узора модель Veo 3 справилась с этим в 72 процентах случаев, тогда как Veo 2 не справилась ни разу. Улучшения также были зафиксированы в задачах выделения границ и решения лабиринтов, хотя и в меньшей степени.

Однако, как отмечают эксперты, прошлые успехи не гарантируют будущих. Существует риск, что развитие моделей приблизится к точке убывающей отдачи. Опыт с языковыми моделями показывает, что промежуток между частичным и полным успехом может быть значительным. Понимание причин ошибок и условий, при которых модель справляется с задачей, остается сложной задачей, которую нельзя решить быстро.

Интересно: Каковы реальные границы генеративных моделей видео? Может ли Veo 3 стать основой для универсального визуального ИИ или останется экспериментальной разработкой?

Как генеративные модели видео переходят от эксперимента к инструменту

Скрытые способности моделей и их ограничения

Новые исследования показывают, что современные генеративные модели видео, такие как Veo 3, обладают способностью решать задачи, на которые они не были явно обучены. Это указывает на их потенциал не только как инструментов создания контента, но и как систем, способных к элементарному логическому мышлению и моделированию действительности.

Модель демонстрирует успех в задачах, где требуется восприятие и простая логика: например, открытие банки или ловля мяча. Эти действия, хотя и кажутся тривиальными, требуют понимания физических законов и последовательности действий — что делает модель похожей на примитивный, но функциональный цифровой мозг.

Однако, как и у любых систем, у Veo 3 есть слабые места. В задачах, требующих точности и абстрактного мышления, модель демонстрирует нестабильность. Например, она не справляется с сортировкой чисел и выделением символов на сетке. Это не столько показатель неспособности, сколько указание на то, что модель еще не до конца «понимает» задачу в абстрактном смысле.

Тренд: Генеративные модели видео уже сейчас способны выполнять задачи, выходящие за рамки их первоначального предназначения — создавать визуальный контент.

Что стоит за прогрессом и где могут возникнуть проблемы

Успех Veo 3 в сравнении с Veo 2 говорит о том, что прогресс возможен. Улучшения в задачах отражения узоров и выделения границ свидетельствуют о росте способности модели к обобщению. Однако, как отмечают исследователи, этот прогресс может быть ограничен точкой убывающей отдачи. То есть, каждое последующее улучшение требует всё больших ресурсов и времени.

Для российского бизнеса и научного сообщества это важно по нескольким причинам. Во-первых, если подобные модели станут более надежными, они могут найти применение в автоматизации визуальных процессов, например, в робототехнике, медицине и индустриальной диагностике. Во-вторых, рост интереса к таким технологиям может стимулировать развитие собственных аналогов, что особенно актуально в условиях ограничений на доступ к зарубежным ИИ-технологиям.

Однако, стоит быть готовым к тому, что полномасштабное внедрение таких моделей может быть отложено. Нестабильность результатов и сложность в понимании причин ошибок делают их пока непригодными для критически важных систем. Это создает риск, что инвестиции в развитие подобных технологий будут неоправданными, если не будет найден способ устранить системные ошибки.

Обратите внимание: Несмотря на прогресс, Veo 3 пока не может заменить человека в задачах, требующих высокой точности и абстрактного мышления.

К чему это ведет?

Развитие генеративных моделей видео может стать следующим этапом эволюции ИИ — переходом от «наблюдателя» к «действующему» инструменту. Однако для этого потребуется не только технический прогресс, но и глубокое понимание того, как модель «мыслит». Это открывает возможности для новых исследований, включая изучение когнитивных процессов через ИИ.

Для России, где развитие ИИ находится в стадии ускорения, такие технологии могут стать важным элементом стратегии цифровизации. Однако ключевой задачей станет не просто создание моделей, а их адаптация к конкретным отраслевым задачам с учетом особенностей российской экономики и инфраструктуры.

Важный нюанс: Успех Veo 3 в некоторых задачах не означает, что модель готова к использованию в реальных условиях — для этого требуется значительная доработка и адаптация под конкретные сценарии.