🚨 NOVINKA: Výzkumníci Meta ukázali modelu 2 miliony hodin videa. Žádné štítky. Žádná učebnice fyziky. Žádný dohled. Pak mu ukázali klip, kde objekt zmizí za zdí a už se nikdy nevrátí. Model to označil jako špatné. 🤯 Naučil se trvalost objektu. Konzistence tvaru. Dynamika kolizí. Jen z pozorování. Co je ještě překvapivější: i model trénovaný na pouhém týdnu unikátního videa dosáhl nadnáhodného výkonu při detekci fyzikálních porušení. To není náhoda. To je princip. Klíčový poznatek z článku: toto funguje pouze tehdy, když model predikuje v naučeném prostoru reprezentací, nikoli v surových pixelech. Model musí vytvořit vnitřní světový model, komprimovaný a abstraktní, a předpovídat proti němu. Predikce pixelového prostoru selhává. Multimodální LLM, které uvažují textem, selhávají. Pouze architektura, která vytváří abstraktní reprezentace a zároveň předpovídá chybějící smyslové vstupy, což je něco blízkého tomu, jak neurovědci popisují prediktivní kódování, skutečně získává fyzikální intuici. To znamená, že základní znalosti, které výzkumníci předpokládali, že musí být pevně zakódované, mohou být jen pozorováním ve velkém měřítku. Miminka se učí trvalosti objektů tím, že pozorují věci. Ukazuje se, že stejný princip platí i zde. A teď přichází část, o které nikdo nemluví. Pokud samotné pozorování naučí model pravidlům fyzického světa, co se stane, když stejný princip aplikujete na výrobní systémy? Produkce má také fyziku. Ne gravitace. Ale pravidla jsou stejně konzistentní: které nasazení způsobí incidenty ve 3 ráno, které konfigurační kombinace nebezpečně interagují, které kódové cesty tiše degradují pod zátěží, které změny služeb způsobují selhání dva skoky daleko. Tyto vzory jsou zakódovány v tisících trajektorií. Kódové pushy, metrické přesuny, zákaznické tikety, časové osy incidentů. Většinou nepozorované. Určitě bez označení. Nikdo nepíše runbook, který by říkal "pokud se služba A nasadí s aktivním flagem X a služba B má CPU nad 70 %, latence služby C se během 6 minut zhorší o 40 %." Ale ten vzorec existuje. Je to opakovatelné. A právě teď je to ve vašich datech o pozorovatelnosti, neviditelné, protože nikdo nevytvořil model, který by ho našel. To je ta mezera, kterou se @playerzeroai snaží zmenšit. Ne další testovací běžec. Ne další varovný práh. Model produkčního světa, který se učí, co se láme z nahromaděného pozorování, stejně jako se Metin model naučil gravitaci. Nekontroluje vaše testovací pokrytí. Předpovídá trajektorie selhání. Jeden týden videa stačil k tomu, abych zjistil, že pevné objekty neprocházejí zdmi. Otázkou je, kolik pozorování produkce váš systém potřebuje, než model začne předpovídat, kde se váš systém příště pokazí. ...