§1 Томатный тест

В апреле 2025 года в подкасте Possible с Ридом Хоффманом Демис Хассабис предложил тест Тьюринга для моделей генерации видео. Суть теста — может ли модель создать видео, на котором нож режет помидор. Пальцы должны оставаться на правильном месте. Помидор не должен снова «срастаться» между кадрами. Нож должен действительно резать, а не проходить насквозь. По словам Хассабиса, Veo 2 уже могла это сделать. Неожиданность была в том, что модель разобралась в этом, «посмотрев много видео на YouTube».

Три месяца спустя, в подкасте Лекса Фридмана, Хассабис вернулся к этой рамке уже с Veo 3 и динамикой жидкостей. По его словам, модель могла удивительно хорошо симулировать поведение жидкости, вплоть до воспроизведения сцен, где прозрачная жидкость выдавливается через гидравлический пресс, — эффекта, который классические физические движки воспроизводят только ценой кропотливой работы. Он описал это как «обратную разработку на основе одного лишь просмотра видео на YouTube».

К декабрю 2025 года формулировка стала точнее. Хассабис признал, что нынешние видеомодели вроде Veo «ещё не являются “physics-grade”», и отметил, что DeepMind строит физические бенчмарки — маятники, катящиеся шары, законы Ньютона, — чтобы закрыть этот разрыв.

Способность реальна, но неравномерна. Более сложный вопрос — и именно на него отвечают недавние патентные заявки и продуктовые анонсы Google — что происходит дальше. Если видеомодели извлекают физику из интернет-видео, следующий ход — превратить эту латентную физику в пригодный обучающий сигнал для роботизированных манипуляторов, для беспилотных автомобилей, для любой системы, которой нужно действовать в физическом мире. Google делает именно это как минимум в трёх разных классах применений, и этот паттерн теперь виден в документах.

§2 Субстрат

У трёх моделей Google общий upstream-субстрат.

Veo — генератор text-to-video. Veo 1 была запущена на I/O 2024, Veo 2 появилась в декабре того же года, Veo 3 представили на I/O 2025 с нативным звуком и явным акцентом на физику, а семейство Veo 3.1 вышло на Vertex AI в марте 2026 года. Каждое поколение улучшало физический реализм: вода течёт, тени смещаются, персонажи движутся с ощущением веса. Каждое обучалось на большом нераскрытом видеокорпусе, который Хассабис неоднократно описывал в терминах контента YouTube.

Genie — слой world model. Genie 3, анонсированная в августе 2025 года, генерирует интерактивные 3D-среды по текстовому промпту в 720p и 24 кадрах в секунду. Модель стала публично доступна как Project Genie 29 января 2026 года для подписчиков Google AI Ultra. В анонсе DeepMind обучение робототехники было названо одним из главных сценариев применения — в частности, генерация масштабируемых эгоцентрических видеоданных для воплощённых агентов.

Gemini — мультимодальная фундаментальная модель, которая также работает как vision-language model. Gemini Robotics-ER 1.5, анонсированная 25 сентября 2025 года, добавила специализацию на «визуальном и пространственном понимании, планировании задач и оценке прогресса». ER 1.6 последовала 1 мая 2026 года.

Надёжен ли этот субстрат — отдельный вопрос. В декабрьской формулировке самого Хассабиса ответ: пока нет. Поэтому пайплайны, построенные поверх него, должны уметь с этим справляться.

§3 Первая рафинация — манипуляция

В первой половине апреля 2026 года были опубликованы два патента GDM Holding LLC, IP-холдинговой структуры Google. Оба описывают, как очищать и дорабатывать выход видеомодели, превращая его в обучающий сигнал для роботов.

US 2026/0094437 A1, поданный 26 сентября 2025 года под руководством Yecheng Ma вместе с восемью другими исследователями DeepMind, решает конкретный режим отказа. Vision-language model, которую просят оценить прогресс выполнения роботизированной задачи по хронологически упорядоченным видеокадрам, склонна выдавать монотонно возрастающие значения, отражающие положение кадра в последовательности, а не реальное качество траектории. Исправление в патенте — перемешать кадры перед оценкой. Убрав временную подсказку, систему заставляют оценивать каждый кадр по его собственному содержанию. В результате из замороженной video-language model извлекается достоверный сигнал прогресса задачи — без необходимости fine-tuning.

WO 2026/075765, опубликованный семь дней спустя с датой приоритета 10 января 2024 года, закрывает вторую половину цикла. Если патент с перемешиванием оценивает сгенерированное видео, этот патент генерирует и дорабатывает его. Модель генерации видео создаёт синтетическое видео, где робот выполняет задачу. VLM критикует видео по критериям «общей связности, соблюдения физических законов и выполнения задачи». Если критика не пройдена, система заново генерирует видео, используя критику как дополнительный вход. Если критика пройдена, видео преобразуется в команды управления роботом. Пункт 26 формулы патента расширяет цикл ещё на один шаг: «обучение или дообучение модели генерации видео» на основе результата выполнения задачи роботом.

Вместе два патента описывают рафинацию манипуляции. Модель генерации видео, обученная на web-scale видео, создаёт план. VLM, обученная на том же субстрате, критикует план. Робот выполняет план. Результат обучает генератор. Тот же класс моделей, который смотрит YouTube, становится классом моделей, производящих обучающие данные для роботов.

§4 Вторая рафинация — автономное вождение

За шесть недель до публикации патентов по манипуляции, 6 февраля 2026 года, Waymo представила тот же архитектурный ход применительно к вождению.

Waymo World Model, анонсированная в блоге Waymo, построена напрямую на Genie 3 от Google DeepMind. Waymo описывает этот выбор предельно явно. Согласно анонсу, знания Genie 3 о мире были получены через «предобучение на чрезвычайно большом и разнообразном наборе видео», что позволяет симулятору генерировать ситуации, которые флот никогда напрямую не наблюдал. Инженерия Waymo берёт 2D-видеовыход Genie 3 и через специализированное post-training переводит его в 3D-точечные облака лидара, согласованные с аппаратным стеком Waymo. На выходе получается мультисенсорная симуляция — видео с камер плюс лидарная глубина — с точностью, необходимой для валидации автономного вождения.

Масштабное заявление само обосновывает архитектуру. Waymo Driver проехал примерно 200 миллионов автономных миль по дорогам общего пользования. В том же анонсе говорится, что до встречи со сценариями на публичных дорогах флот накопил миллиарды миль в виртуальных мирах. Соотношение virtual-to-real превышает десять к одному. Виртуальная симуляция — доминирующая обучающая среда, а Genie 3 позволяет виртуальной симуляции покрывать edge cases, которые флот не может собрать сам.

Список edge cases в анонсе Waymo примечателен: торнадо, наводнения, снег на мосту Golden Gate, встречи со слонами, львами и даже пешеходами, одетыми как динозавры. Примеры, критичные для безопасности, включают автомобили, едущие против движения, безрассудных водителей, съезжающих с дороги, и опасно загруженные грузовики. Ничего из этого нельзя безопасно или экономически разумно собрать флотом на дорогах общего пользования. Субстрат крупномасштабного интернет-видео несёт достаточно знаний о мире, чтобы при правильном post-training генерировать такие сценарии.

Список участников в конце поста Waymo стоит прочитать отдельно. Среди отмеченных исследователей DeepMind — Fei Xia и Sean Kirmani, два имени, которые фигурируют в списке изобретателей патента с перемешиванием. Те же исследователи, которые проектировали shuffle evaluator для роботизированной манипуляции, указаны в работе над переводом Genie 3 в стек Waymo для автономного вождения. Субстрат общий — и люди, умеющие его рафинировать, тоже.

§5 Почему это работает

Архитектура имеет смысл только в том случае, если интернет-видео содержит переносимое физическое знание — достаточно богатое, чтобы модель, обученная на нём, производила полезные политики и симуляционный выход для задач, которые в видео никогда не были показаны.

В разговоре с Лексом Фридманом Хассабис предложил спекулятивное объяснение. Возможно, природные системы обладают лежащей в основе низкоразмерной структурой, которую классические алгоритмы обучения способны обнаружить. В такой формулировке гипотеза нефальсифицируема, но практический вывод ясен: видео пассивно документирует физику. Объекты падают, вода течёт, руки хватают инструменты, автомобили тормозят. Обучение на достаточном количестве такого материала даёт грубую, но переносимую аппроксимацию. Патенты по манипуляции и пайплайн Waymo исходят из того, что перенос достаточно реален, чтобы его можно было рафинировать.

Остальная часть аргумента — экономика. Реальные демонстрации в робототехнике дороги: телеоперационные установки, физические среды, человеческое время. Реальные данные вождения дороги и собираются медленно. Синтетическое видео, когда генератор уже существует, дешёво. Предобучение не обязано быть идеальным; оно должно быть дешёвым и широко применимым. Последующая рафинация — VLM-критик или модель перевода в лидар — справляется с ненадёжностью.

§6 Стратегический паттерн

Поставим даты рядом.

• Январь 2024 года: подана заявка с приоритетом для патента на iterative-refinement-loop.
• 25 сентября 2025 года: публично анонсирована Gemini Robotics-ER 1.5, где оценка прогресса указана как ключевая способность.
• 26 сентября 2025 года: подан патент на shuffle evaluator.
• Февраль 2026 года: Waymo представляет World Model, построенную на Genie 3.
• 2 и 9 апреля 2026 года: два патента по манипуляции публикуются с разницей в семь дней.
• 2 и 11 мая 2026 года: утечки раскрывают «Omni», централизованный видеогенератор, расширяющий Veo по всему стеку Gemini.

Этот паттерн — не три несогласованные инициативы. Это один субстрат, развиваемый в Veo и Genie; две рафинации, запатентованные в скоординированных заявках; два продуктовых применения — Gemini Robotics и Waymo; и слух о централизации, закрывающий шестинедельное окно. Публичные сообщения Хассабиса следуют по той же кривой: удивление emergent physics в Veo 2 в апреле 2025 года, рамка динамики жидкостей в июле и прямое признание разрыва в декабре.

Манипуляция и вождение — два плеча одного и того же стека Alphabet. Немногие компании могут сопоставить такую вертикальную интеграцию: данные масштаба YouTube, исследования DeepMind, продуктовые применения в разных роботизированных доменах. Субстрат — стратегический актив. Рафинации поверх него оформлены как IP. Продукты выпускаются по мере созревания производительности.

Путь Google — не единственный. Ставка Tesla — обратная связь из реального мира в масштабе: флот из миллионов автомобилей, ежегодно генерирующий десятки миллиардов миль данных вождения, с той же end-to-end нейросетевой архитектурой, перенаправленной из вождения в гуманоидную манипуляцию. Ставка NVIDIA — платформенный рычаг: Cosmos World Foundation Models и цифровые двойники Omniverse как инфраструктурный слой для чужого Physical AI — от BMW и Amazon до Siemens и KION. Ставка Google, которую проследило это эссе, — substrate-and-refineries: крупномасштабное видеопредобучение, пропущенное через специализированные механизмы рафинации для каждого класса приложений. Три разных точки рычага, три разные архитектуры, все направлены к одной и той же цели. Победит ли один подход или все три будут сосуществовать как параллельные производственные стеки — вопрос следующего десятилетия.

§7 За чем следить на I/O

Google I/O 2026 откроется 19–20 мая, через неделю. Утечки об Omni за последние десять дней указывают, что upstream-генератор, сама рафинация субстрата, централизуется под единым названием. По сообщениям 9to5Google, Omni — скорее расширение Veo, чем отдельная модель.

I/O покажет, сделает ли позиционирование Omni явной архитектуру VLM-критика и refinement, появятся ли дополнительные продукты рафинации Physical AI помимо Gemini Robotics и Waymo, и распространится ли сотрудничество Genie и Waymo на другие робототехнические домены.

Субстрат — видео класса YouTube. IP подана. Приложения уже снаружи: манипуляция в research preview, вождение на дорогах общего пользования в масштабе. То, что покажет I/O, публично назовёт субстрат. Механизм его рафинации уже назван письменно.

Источники

Патенты

• Yang and Dai. “Iterative Refinement of Synthetic Video Generation Using Model Feedback.” WO 2026/075765 A1 (April 9, 2026). Applicant: GDM Holding LLC. Inventors: Mengjiao Yang, Bo Dai.
• Ma, et al. “Systems and Methods for Task Progress Estimation Using a Generative Model with Shuffled Video Inputs.” US 2026/0094437 A1 (April 2, 2026). Applicant: GDM Holding LLC. Inventors: Yecheng Ma, Danny Driess, Dorsa Sadigh, Ted Xiao, Sean Kirmani, Wenhao Yu, Tingnan Zhang, Fei Xia, Jacky Liang.

Статьи

• Soni, et al. “VideoAgent: Self-Improving Video Generation for Embodied Planning.” arXiv:2410.10076 (October 14, 2024).
• Yang, et al. “Video as the New Language for Real-World Decision Making.” arXiv:2402.17139 (February 2024).

Официальные заявления

• Waymo. “The Waymo World Model: A New Frontier For Autonomous Driving Simulation.” Waymo blog, February 6, 2026.
• Google DeepMind. “Veo.” deepmind.google/models/veo (Veo 3 unveiled at Google I/O 2025; Veo 3.1 family released March 31, 2026).
• Google DeepMind. “Genie 3: A new frontier for world models.” August 2025.
• Google. “Project Genie: AI world model now available for Ultra users in U.S.” January 29, 2026.
• Google DeepMind. “Gemini Robotics 1.5 brings AI agents into the physical world.” September 25, 2025.
• Google Developers Blog. “Building the Next Generation of Physical Agents with Gemini Robotics-ER 1.5.” September 25, 2025.
• Google AI for Developers. “Gemini Robotics-ER 1.6.” Documentation, May 1, 2026.
• NVIDIA. “NVIDIA Cosmos World Foundation Model Platform.” NVIDIA Newsroom, CES, January 2025.
• NVIDIA. “NVIDIA Omniverse Physical AI Operating System Expands to More Industries and Partners.” NVIDIA Newsroom, March 2025.
• Tesla. “Tesla AI: Vehicles and Robots.” tesla.com (shared end-to-end neural network architecture for FSD and Optimus).

Новости и медиа

• Hoffman and Finger. “Demis Hassabis on AI, game theory, multimodality, and the nature of creativity.” Possible Podcast (April 2025).
• Fridman. “Demis Hassabis: Future of AI, Simulating Reality, Physics and Video Games.” Lex Fridman Podcast (July 2025).
• Humanoids Daily. “DeepMind CEO Demis Hassabis: World Models and ‘Infinite Training Loops’ are the Keys to AGI.” December 2025.
• TestingCatalog. “Google is testing new Omni model for video generation ahead of I/O.” May 2, 2026.
• 9to5Google. “Gemini ‘Omni’ video model shows up with some early demos.” May 11, 2026.