🚨 BREAKING: Meta-Forscher zeigten einem Modell 2 Millionen Stunden Video. Keine Labels. Kein Physikbuch. Keine Aufsicht überhaupt. Dann zeigten sie ihm einen Clip, in dem ein Objekt hinter einer Wand verschwindet und nie zurückkommt. Das Modell kennzeichnete es als falsch. 🤯 Es hatte Objektpermanenz gelernt. Formkonstanz. Kollisionsdynamik. Ganz allein durch Zuschauen. Was noch überraschender ist: Selbst ein Modell, das nur eine Woche einzigartiges Video trainiert wurde, erzielte eine überdurchschnittliche Leistung bei der Erkennung von Physikverletzungen. Das ist kein Zufall. Das ist ein Prinzip. Die zentrale Erkenntnis aus dem Papier: Das funktioniert nur, wenn das Modell in einem gelernten Repräsentationsraum vorhersagt, nicht in Rohpixeln. Das Modell muss ein internes Weltmodell aufbauen, komprimiert und abstrakt, und dagegen vorhersagen. Vorhersagen im Pixelraum scheitern. Multimodale LLMs, die durch Text argumentieren, scheitern. Nur die Architektur, die abstrakte Repräsentationen aufbaut, während sie fehlende sensorische Eingaben vorhersagt, etwas, das nahe an dem ist, wie Neurowissenschaftler prädiktive Kodierung beschreiben, erwirbt tatsächlich physikalische Intuition. Das bedeutet, dass das Kernwissen, von dem Forscher annahmen, es müsse fest verdrahtet sein, möglicherweise nur Beobachtung im großen Maßstab ist. Babys lernen Objektpermanenz, indem sie Dinge beobachten. Es stellt sich heraus, dass dasselbe Prinzip hier gilt. Jetzt kommt der Teil, über den niemand spricht. Wenn Beobachtung allein einem Modell die Regeln der physischen Welt beibringt, was passiert, wenn man dasselbe Prinzip auf Produktionssysteme anwendet? Produktion hat auch Physik. Nicht Schwerkraft. Aber Regeln, die ebenso konsistent sind: welche Bereitstellungen Vorfälle um 3 Uhr morgens verursachen, welche Konfigurationskombinationen gefährlich interagieren, welche Codepfade leise unter Last abgebaut werden, welche Serviceänderungen zwei Hops entfernt Ausfälle verursachen. Diese Muster sind in Tausenden von Trajektorien eingebettet. Code-Pushes, Metrikverschiebungen, Kundenanfragen, Vorfallzeitlinien. Größtenteils unbeobachtet. Sicherlich unlabeled. Niemand schreibt ein Runbook, das sagt: "Wenn Dienst A mit aktivem Flag X bereitgestellt wird und Dienst B über 70 % CPU ist, verschlechtert sich die Latenz von Dienst C um 40 % innerhalb von 6 Minuten." Aber dieses Muster existiert. Es ist wiederholbar. Und es sitzt gerade jetzt in Ihren Observabilitätsdaten, unsichtbar, weil niemand ein Modell gebaut hat, um es zu finden. Das ist die Lücke, die @playerzeroai zu schließen versucht. Nicht ein weiterer Test-Runner. Nicht ein weiterer Alarmgrenzwert. Ein Produktionsweltmodell, das lernt, welche Dinge durch angesammelte Beobachtungen brechen, genau wie das Modell von Meta Schwerkraft gelernt hat. Es überprüft Ihre Testabdeckung nicht. Es sagt Vorfallstrajektorien voraus. Eine Woche Video war genug, um zu lernen, dass feste Objekte nicht durch Wände gehen. Die Frage ist, wie viel Produktionsbeobachtung Ihr System benötigt, bevor ein Modell vorhersagt, wo Ihres als nächstes brechen wird. ...