World Model
Dünya modeli, çevresinin nasıl değiştiğini ve eylemlerin bu değişimi nasıl etkilediğini öğrenen; böylece aracıların harekete geçmeden önce olası sonuçları tasarlayıp plan yapmasını sağlayan bir yapay zekâ sistemidir.
Dünya modeli, bir ortamın zaman içinde ve eylemlere yanıt olarak nasıl değiştiğini öğrenilmiş biçimde temsil eder. Mevcut durum veya gözlem geçmişi ve bir eylem verildiğinde, sonraki gözlemi, kompakt bir iç durumu, ödülü ya da gelecekteki adımların bir dizisini tahmin eder. Dünya modeline sahip bir ajan, eyleme geçmeden önce eylemlerin sonuçlarını hayal edebilir, hayal edilen gelecekleri karşılaştırarak plan yapabilir ve yalnızca gerçek deneme yanılma yoluyla değil, simüle edilmiş deneyimlerden de öğrenebilir. Bu fikir, model tabanlı kontrolden ve pekiştirmeli öğrenmeden gelir. David Ha ve Jürgen Schmidhuber'ın 2018 tarihli World Models makalesi, piksellerden bir oyunun sıkıştırılmış simülatörünü öğrenen ve bir politikayı bu simülatörün "rüyasında" eğiten sinir ağları için terimi yaygınlaştırdı. Günümüzde terim; Dreamer ve MuZero gibi ajanların iç dinamik modellerini, Google DeepMind'ın Genie 3 gibi etkileşimli video üreticilerini ve fiziksel yapay zekâyı eğitmek için video üreten dünya temel modellerini kapsar.
Dünya Modelleri Nasıl Çalışır#
Bir dünya modeli genellikle üç bölümden oluşur. Bir kodlayıcı, kamera karesi gibi yüksek boyutlu her gözlemi küçük bir gizil duruma sıkıştırır. Bir dinamik model, mevcut durumdan ve bir eylemden sonraki gizil durumu; çoğu zaman ödülü ve bölümün bitip bitmediğini de tahmin eder. İsteğe bağlı bir kod çözücü, eğitim veya modelin hayal ettiklerini gösterme amacıyla gizil durumları yeniden görüntülere dönüştürür. Ha ve Schmidhuber bu bölümleri bir varyasyonel otomatik kodlayıcı, sonraki gizil durumu tahmin eden bir yinelemeli ağ ve gizil durumlarla eğitilmiş küçük bir doğrusal denetleyiciyle oluşturdu.
Ajan modeli iki şekilde kullanır. Planlamada, olası eylem dizilerini model üzerinde ileri sarar, hayal edilen sonuçları puanlar ve model öngörülü kontrolde ya da MuZero'nun ağaç aramasında olduğu gibi en iyi sonucu vereni uygular. Bu PyTorch kodu, rastgele geçişlerden basit bir arabanın dünya modelini öğrenir ve hayalinde 20 adımlık bir itme dizisi planlar:
import torch
from torch import nn
torch.manual_seed(0)
# The real environment, unknown to the agent: a cart's [position, velocity] responds to a push in [-1, 1]
A, B = torch.tensor([[1.0, 0.9], [0.0, 0.9]]), torch.tensor([0.1, 0.1])
# Learn a world model that predicts how (state, action) changes the state, from 5,000 random transitions
states, actions = torch.rand(5000, 2) * 4 - 2, torch.rand(5000, 1) * 2 - 1
change = states @ A.T + actions * B - states
model = nn.Sequential(nn.Linear(3, 64), nn.ReLU(), nn.Linear(64, 2))
optimizer = torch.optim.Adam(model.parameters(), lr=1e-2)
for step in range(2000):
loss = ((model(torch.cat([states, actions], dim=1)) - change) ** 2).mean()
optimizer.zero_grad()
loss.backward()
optimizer.step()
# Plan by imagination: roll 1,000 random 20-step plans through the model; also run them for real to compare
plans = torch.rand(1000, 20, 1) * 2 - 1
imagined, real = torch.zeros(1000, 2), torch.zeros(1000, 2)
for k in range(20):
imagined = imagined + model(torch.cat([imagined, plans[:, k]], dim=1)).detach()
real = real @ A.T + plans[:, k] * B
best = (imagined[:, 0] - 3).abs().argmin() # plan whose imagined final position is closest to 3
print(f"chosen plan: imagined final position {imagined[best, 0]:.2f}, real final position {real[best, 0]:.2f}")chosen plan: imagined final position 3.00, real final position 2.93 çıktısını yazdırır. Ajan, gerçek arabaya dokunmadan planını seçti; 0,07'lik fark ise hayal edilen 20 adım boyunca biriken model hatasıdır. Küçük hatalar uzun ileri sarımlarda birikir; bu nedenle uygulamadaki planlayıcılar her adımdan sonra yeniden plan yapar ve hayal edilen ufukları kısa tutar.
Hayal ederek öğrenmede ajan, modelin içinde üretilen ileri sarımlarla politikasını eğitir. 2025'te Nature dergisinde yayımlanan DreamerV3; gerçek deneyimleri toplama, dünya modelini iyileştirme ve bir aktörle eleştirmeni tamamen hayal edilen yörüngeler üzerinde eğitme adımlarını dönüşümlü olarak uygular:
Tek bir hiperparametre kümesiyle DreamerV3, 150'den fazla görevde özelleşmiş yöntemlerden daha iyi performans gösterdi ve Minecraft'ta insan verisi veya öğrenme müfredatı olmadan sıfırdan elmas toplayan ilk algoritma oldu.
Dünya Modeli Türleri#
- Ajan dinamik modelleri: Dreamer gelecekteki gizil durumları, ödülleri ve bölüm sonlarını tahmin eder. MuZero yalnızca planlamanın ihtiyaç duyduğu ödül, politika ve değeri tahmin eder; Monte Carlo ağaç aramasıyla kurallar kendisine verilmeden Go, satranç ve shogi oyunlarında AlphaZero ile aynı performansı gösterdi.
- Etkileşimli video modelleri: 2B platform oyunlarının etiketlenmemiş internet videolarıyla eğitilen 11 milyar parametreli Genie modeli, kendi gizil eylemlerini öğrendi ve tek bir görüntüyü, fotoğrafı veya çizimi kontrol edilebilir bir oyun dünyasına dönüştürdü. Genie 3, kullanıcıların saniyede 24 kare ve 720p çözünürlükte gerçek zamanlı olarak içinde gezinebildiği dünyalar üretir ve bu tutarlılığı birkaç dakika boyunca korur.
- Dünya temel modelleri: NVIDIA'nın Cosmos modeli, belirli robotlar ve araçlar üzerinde sonradan eğitim amacıyla metinden, görüntülerden veya önceki karelerden gelecekteki videoyu tahmin eden açık ağırlıklı modeller sunar.
- Öngörücü gömme modelleri: Bir ortak gömme öngörücü mimari (JEPA), pikseller yerine gelecekteki veya eksik içeriğin temsilini tahmin eder; böylece model, hareket eden yaprakların tam deseni gibi öngörülemeyen ayrıntılara kapasite harcamaz.
Nesne merkezli dünya modelleri bir sahneyi nesneler kümesi olarak temsil eder ve her birinin nasıl hareket edeceğini tahmin eder. Ultralytics YOLO26, tracking mode içinde videoyu bu tür bir duruma dönüştürür: Her nesne için kutular oluşturur ve bunları kareler arasında kalıcı kimliklerle birbirine bağlar.
Dünya Modelleri ve İlgili Kavramlar#
- Video üretimi: Bir video üreticisi, bir istemden makul görünen bir klip üretir. Dünya modeli, eylemlerin sonuçlarını tahmin eder; bu nedenle eylem değiştiğinde doğru tepki vermelidir. OpenAI, video üreticilerini potansiyel dünya simülatörleri olarak tanımladı; Genie 3 gibi, kullanıcının kontrollerini kare kare alan modeller ise bu ikisinin arasında yer alır.
- Modelsiz pekiştirmeli öğrenme: Modelsiz ajanlar, ortamın nasıl değişeceğini tahmin etmeden gerçek deneyimlerden doğrudan bir politika veya değer fonksiyonu öğrenir. Model tabanlı ajanlar bir dünya modeli öğrenir ve bunu planlama yapmak ya da eğitim deneyimi üretmek için yeniden kullanır; bu yaklaşım genellikle çok daha az gerçek etkileşim gerektirir.
- Simülatörler ve dijital ikizler: Fizik motorları ve dijital ikizler, mühendisler tarafından denklemler, CAD modelleri ve ölçülmüş parametreler kullanılarak oluşturulur. Dünya modeli verilerden öğrenildiği için kumaşın nasıl katlandığı veya yayaların trafiğe nasıl tepki verdiği gibi denklemlerle ifade edilmesi zor etkileri yakalayabilir.
- Büyük dil modelleri: Bir dil modeli, sıradaki metin belirtecini tahmin eder. Bir dünya modeli ise genellikle video, sensör verileri ve eylemlerden yararlanarak bir ortamın sonraki durumunu tahmin eder.
Gerçek Dünya Uygulamaları#
- Otonom sürüş: Wayve'in GAIA-1 modeli, geçmiş video, metin ve ego araç eylemlerine bağlı olarak sürüş videoları üretir. Genie 3 temel alınarak geliştirilen ve Şubat 2026'da duyurulan Waymo Dünya Modeli, kasırga veya yoldaki bir fil gibi filonun daha önce hiç kaydetmediği durumları simüle etmek için hem kamera hem de lidar verileri üretir.
- Oyunlar ve etkileşimli medya: Etkileşimli video modelleri, bir metin istemini veya görüntüyü klavye girdilerine tepki veren, keşfedilebilir bir dünyaya dönüştürür.
- Robotik: Meta'nın V-JEPA 2 modeli, internet videolarından 1 milyon saatten fazla veriyle önceden eğitildi. Eylem koşullu sürümü V-JEPA 2-AC, 62 saatten az etiketsiz robot videosuyla sonradan eğitildi; ardından bu robotlardan veya ortamlardan veri toplamadan, hedef görüntülere göre planlama yaparak iki yeni laboratuvarda Franka kollarıyla nesneleri alıp yerleştirdi.










