Generativní videomodely dokážou přesvědčivě vygenerovat padající a tříštící se porcelánový hrnek, ale otázka zní, zda uvnitř nich skutečně existuje pojem hmotnosti, setrvačnosti a tření. Experiment Richarda Helda a Alana Heina z roku 1963 s koťaty a Moravcův paradox ukazují, že vnímání a pohyb jsou pro stroje těžší než abstraktní logika, a že k pochopení prostoru nestačí pasivně pozorovat. Manifest o vizuální inteligenci z Google DeepMind, jehož spoluautor Robert Geirhos tvrdí, že generativní cíl nutí model trefit vše, stojí v kontrastu s benchmarkem Physics IQ, kde nejlepší model zvládl jen 20 % fyzikálních scén. Rozdíl mezi rozpoznáváním a generováním i fakt, že text je komprimovaný lidský myšlenkový meziprodukt, zatímco pixel si model musí sám interpretovat, osvětlují, proč je vizuální scéna tak těžká. Tři argumenty manifestu, tedy povaha videa nesoucí kauzalitu, analogie s jazykovými modely a schopnost, která v modelech už existuje, jsou spíše vizí než popisem dnešního stavu. Chybějícím dílkem je podle mluvčího zpětná vazba a vtělená inteligence, takže fyzičtější umělá inteligence teprve přijde.

📅 Datum vydání: 6.9.2026
📺 Zdroj: AI umí napodobit realitu. Ale rozumí jí?
Klikněte na odkaz a dejte odběr na kanálu autora, podpoříte ho a vylepšíte svůj algoritmus.

▶ 00:00
Padající porcelánový hrnek — Marek Bartoš otevírá testem, zda generativní videomodel chápe fyzický svět, nebo jen ví, jak vypadají padající hrnky.

▶ 01:09
Experiment s koťaty z roku 1963 — Richard Held a Alan Hein zapřáhli dvě koťata do kolotoče, přičemž aktivní kotě později zvládalo prostor, zatímco vozené bylo v prostoru ztracené.

▶ 02:41
Moravcův paradox — Hans Moravec v roce 1988 ukázal, že abstraktní logika je pro počítač snadná, zatímco vnímání prostoru a pohyb zvládané ročním dítětem jsou pro stroje těžké.

▶ 03:26
Vidění a pohyb jako základ — Malik na přednášce v Berkeley v březnu 2023 zhrnul, že vidíme, abychom se mohli hýbat, a hýbeme se, abychom mohli vidět, a čistě textový přístup označil za tyranii jazykového imperialismu.

▶ 04:13
Manifest vizuální inteligence — Robert Geirhos z Google DeepMind jako jeden z 21 spoluautorů manifestu tvrdí, že model musí při generování videa pochopit svět do důsledku.

▶ 04:44
Rozpoznávání versus generování — Model učený jen klasifikovat podvádí podle zjednodušených znaků, zatímco generování nutí model trefit objekt, pozadí, textury i osvětlení.

▶ 05:30
Veo 3 v počítačovém vidění — Generativní model Veo 3 od Google DeepMind bez doučování zvládl detekci i segmentaci objektů, přičemž dostal 77 bodů oproti 90 bodům specializovaného nástroje.

▶ 06:12
Veo 3 v bludišti — Model Veo 3 uspěl při řešení cesty v bludišti v 78 % případů, zatímco starší Veo 2 jen ve 14 %.

▶ 06:48
Vzhled versus chování světa — Obraz podle mluvčího ukazuje jen to, jak svět vypadá, a nikoliv jak se má chovat, a právě proto je zkouškou systém Genie 3.

▶ 07:17
Genie 3 jako interaktivní prostředí — Genie 3 od Google DeepMind negeneruje pasivní video, ale prostředí, do kterého lze v reálném čase zasahovat, a bravurně drží tvary, hrany i deformace měkkých těles.

▶ 08:15
Kulkarniho zkušenost s Genie 3 — Bývalý výzkumník DeepMindu Kulkarni popsal, že hry pro dva hráče nefungují, dlouhé instrukce selhávají a model selhává na intuitivních testech fyziky.

▶ 09:16
Workshop Hands on AI — Marek Bartoš zmiňuje celodenní workshop Hands on AI s termíny v Pardubicích, Ústí nad Labem, Praze a Brně a večerní přednášku 16. září.

▶ 10:25
Studie Video models zero-shot — Studie hovoří o 62 úlohách, ale autoři reálně otestovali jen část z nich a úspěšnost měřili metrikou pass@10, tedy nejlepším z deseti pokusů.

▶ 11:16
Prostorová rotace pod náhodou — V úlohách na prostorovou rotaci a zrcadlení skončil model hluboko pod úrovní náhodného hádání, což podle mluvčího ukazuje, že systém spíše přesvědčuje, než aby chápal prostor.

▶ 12:12
Autoři mluví o dolním odhadu — Autoři studie sami označují svá čísla za dolní odhad a model přirovnávají k jazykovému modelu před doladěním, přičemž slovo základ do hry přinesl až manifest.

▶ 13:20
Navazující práce ukazují opak — Z osmi citovaných navazujících prací mají tři hlavní výsledek spíše zásadní limitaci modelů a benchmark MME-COF ukazuje, že modely nejsou jako zero-shot spolehlivé.

▶ 14:09
Paradox padajícího hrnku — Mluvčí poukazuje na to, že vykreslit dokonalý povrch neznamená chápat, co model dělá, a proti Geirhosově tvrzení stojí výsledky jeho vlastních spoluautorů.

▶ 15:04
Benchmark Physics IQ — Benchmark Physics IQ otestoval 396 scén a nejlepší generativní videomodel dosáhl jen 20 %, přičemž vizuální realismus výstupu neimplikuje fyzikální porozumění.

▶ 16:40
Proč je vize těžší než text — Text je podle mluvčího komprimovaný lidský meziprodukt, kde každý token nese čistý význam, zatímco pixel je příliš nízkourovňový, aby sám fungoval jako jednotka myšlenky.

▶ 18:42
Kam, kdy a kolik detailů — Mluvčí připomíná otázku, zda se vizuální systém sám naučí, kdy se dívat, kam se dívat a kolik detailů potřebuje, a ukazuje, že u Gemini API volí rozlišení člověk, nikoliv model.

▶ 19:52
Manifest jako vize budoucnosti — Dvacet jedna vědců píše manifest nikoliv proto, že by to fungovalo dnes, ale z přesvědčení, že generativní videomodely se vizuálním základem oboru teprve stanou.

▶ 20:41
Tři argumenty manifestu — Autoři staví přesvědčení na povaze videa nesoucí kauzalitu, na analogii se vznikem schopností u velkých jazykových modelů a na schopnosti, která v modelech už existuje.

▶ 22:18
Schopnost se probouzí řetězením — Videomodel, který sám uspěl jen v 7 % případů, vystřelil při externím řetězení řešení krok za krokem až na 67 %.

▶ 23:05
Vtělená vizuální inteligence — Skutečná vizuální inteligence je podle mluvčího vtělená, tedy sled vnímání, generativního modelu světa, akce, zpětné vazby a opravy představy, což připomíná příchod OpenAI o1 preview.

▶ 23:32
Chybějící zpětná vazba — Chybějící složkou není nová modalita ani více parametrů, ale zpětná vazba, protože dnešní generátor videa jen pasivně sedí a nic nezkouší, podobně jako vozené kotě.

▶ 24:30
Fyzičtější umělá inteligence — Mluvčí uzavírá, že fyzičtější umělá inteligence přijde a bude světu rozumět jinak než člověk, ale funkčně ho bude chápat.

▶ 24:52
Otázka AGI — Mluvčí připomíná, jak moc změnil svět nechápající jazykový model, a klade otázku, co se stane, až umělá inteligence svět skutečně pochopí, a zda to bude AGI.

🔴 DŮLEŽITÉ UPOZORNĚNÍ A VYLOUČENÍ ODPOVĚDNOSTI

Výše uvedený text je shrnutí původního video obsahu a byl vygenerován výhradně umělou inteligencí (AI) bez jakéhokoli následného lidského ověření nebo kontroly. Provozovatel těchto webových stránek (dále jen „provozovatel“) výslovně upozorňuje, že takto generovaný text může obsahovat:

  • Faktické chyby a nepřesnosti
  • Zavádějící nebo neúplné informace
  • Informace vytržené z kontextu původního díla
  • Nepravdivá tvrzení nebo údaje (tzv. „halucinace“ AI)

Toto shrnutí slouží pouze ke zcela nezávazným, informativním nebo studijním účelům a v žádném případě nenahrazuje zhlédnutí původního video obsahu. Provozovatel důrazně nedoporučuje činit na základě tohoto shrnutí jakákoli rozhodnutí (obchodní, finanční, zdravotní, právní či jiná).

Provozovatel se tímto v maximálním možném rozsahu povoleném právními předpisy České republiky a Evropské unie zříká jakékoli odpovědnosti za:

  • Správnost, úplnost, aktuálnost nebo pravdivost informací obsažených v tomto shrnutí
  • Jakoukoli přímou či nepřímou újmu (majetkovou i nemajetkovou), která by uživateli nebo jakékoli třetí straně vznikla v důsledku použití nebo spoléhání se na informace z tohoto shrnutí
  • Případné porušení práv třetích stran (včetně práv autorských nebo práv na ochranu osobnosti), kterého by se mohlo shrnutí generované AI dopustit

Použitím tohoto shrnutí bere uživatel na vědomí, že tak činí výhradně na své vlastní riziko a odpovědnost. Pro ověření jakýchkoli informací je uživatel povinen zhlédnout původní zdroj (video) a/nebo konzultovat danou problematiku s kvalifikovaným odborníkem.

⚠️ MECHANISMUS PRO NAHLÁŠENÍ PROBLEMATICKÉHO OBSAHU (NOTICE & TAKE DOWN)

Provozovatel bere ochranu práv třetích stran vážně. Pokud se domníváte, že kterékoli automaticky generované shrnutí obsahuje faktické chyby, zasahuje do vašich práv (např. autorských práv, práv na ochranu osobnosti) nebo je jinak v rozporu s platnými právními předpisy, žádáme vás o neprodlené oznámení. Kontaktujte nás prosím e-mailem na adrese: chyba@shrnuti.cz

Do předmětu e-mailu uveďte „Nahlášení obsahu“ a v těle zprávy prosím specifikujte:

  • Přesný odkaz (URL) na stránku obsahující problematický souhrn
  • Jasný popis problému — uveďte, v čem spatřujete pochybení (např. „text je nepravdivý“, „zasahuje do mého práva na ochranu osobnosti“, „porušuje autorská práva k…“)
  • Vaše kontaktní údaje pro případnou zpětnou vazbu

Provozovatel se zavazuje každé takové oznámení přijaté v dobré víře bez zbytečného odkladu prověřit a v případě, že bude oznámení shledáno oprávněným, zjednat adekvátní nápravu (zejména opravou, nebo trvalým odstraněním dotčeného textu).