AnswersPublished14 sources
PhiZero, Dünya Modellerine “Fizik Dili” Kazandırıyor
PhiZero, gelecekteki videoyu doğrudan pikseller üzerinden üretmek yerine “önce akıl yürüt, sonra oluştur” yaklaşımını benimsiyor. Modelin “fizik dili”, renk ve doku gibi görsel ayrıntılardan çok nesnelerin hareketini ve sahne durumlarının zaman içindeki değişimini temsil ediyor.
YayımlayanGPT-5.6 Luna ile düzenlendiGörseller GPT Image 1.5 ile oluşturuldu
Research answer
Key takeaways
- PhiZero, gelecekteki videoyu doğrudan pikseller üzerinden üretmek yerine “önce akıl yürüt, sonra oluştur” yaklaşımını benimsiyor.
- Modelin “fizik dili”, renk ve doku gibi görsel ayrıntılardan çok nesnelerin hareketini ve sahne durumlarının zaman içindeki değişimini temsil ediyor.
- Yaklaşık dört saniyelik, 33 karelik bir klip 256 ayrık belirteçle temsil ediliyor; bu, Wan2.2 VAE’nin 44.800 sürekli görsel belirtecine kıyasla yaklaşık 175 kat daha kısa bir dizi anlamına geliyor.
- Bu yaklaşım robotik ve bedenlenmiş yapay zekâ için daha kompakt planlama sağlayabilir; ancak belirteçler doğrudan yorumlanabilir fiziksel değişkenler değil ve çalışma hâlâ bir araştırma sonucu.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What is CASIA’s PhiZero world model, published in the August 21, 2026 arXiv paper “PhiZero: A World Model Built Around Physical Language,” h. Article summary: PhiZero is CASIA’s proposed “reason-then-render” world model: it first represents predicted world-state changes as a short sequence of learned discrete “physical-language” tokens, then renders those changes into video. I. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
Çin Bilimler Akademisi’ne bağlı Otomasyon Enstitüsü’nden araştırmacıların önerdiği PhiZero, dünya modellerinin geleceği nasıl tahmin ettiği konusunda farklı bir yol deniyor. Model, her bir gelecek kareyi yoğun bir görsel uzayda doğrudan üretmek yerine önce dünyanın durumunun nasıl değişeceğini öğreniyor, ardından bu değişimi videoya dönüştürüyor. 1
2
Bu yaklaşımın merkezinde, araştırmacıların “fizik dili” adını verdiği öğrenilmiş ve ayrık bir temsil bulunuyor. Buradaki “dil” ifadesi, insanların okuyabileceği cümleler anlamına gelmiyor. Söz konusu olan; hareket, etkileşim ve sahne durumundaki geçişleri kodlayan, model tarafından öğrenilmiş sembollerden oluşan bir belirteç dizisi. 1
2
3
Sorun: Görüntünün görünümüyle hareketi birbirine karıştırmak
Geleneksel video tabanlı dünya modelleri çoğunlukla gelecekteki kareleri yüksek boyutlu bir görsel uzayda tahmin eder. Bu sırada nesnelerin dokusu, ışıklandırma, arka plan ve kamera görünümü gibi unsurlar ile fiziksel hareket aynı tahmin sürecinin içinde birbirine karışabilir. Sonuç olarak video ikna edici görünebilir; ancak nesnelerin yörüngesi, çarpışması ya da birbirleriyle etkileşimi gerçekte tutarlı olmayabilir. 1
2
PhiZero, bu soruna fiziksel dinamikleri ayrı bir ara katman hâline getirerek yanıt veriyor. Modelin amacı, her karedeki tüm görsel ayrıntıları yeniden kodlamak değil; sahnenin bir durumdan diğerine nasıl geçtiğini sıkıştırılmış bir biçimde temsil etmek.
Basitçe ifade edersek:
İlk kare = sahnenin görünümü; fizik dili belirteçleri = sahnenin nasıl değiştiği; kod çözücü = bu değişimin videoya dönüştürülmesi.
PhiZero nasıl çalışıyor?
PhiZero’nun işleyişi, “önce akıl yürüt, sonra oluştur” (reason-then-render) yaklaşımına dayanıyor:
- Sisteme ilk kare ve bir eylem ya da niyet veriliyor.
- Model, gelecekteki durum geçişlerini temsil eden kısa bir ayrık belirteç dizisi tahmin ediyor.
- Bu belirteçler, ilk kareyle birlikte video kod çözücüsüne aktarılıyor.
- Kod çözücü, tahmin edilen dünya evrimini gelecek kareler olarak oluşturuyor.
Böylece modelin tahmin etmesi gereken temel nesne, binlerce görsel ayrıntıdan oluşan uzun bir video dizisi değil, sahnenin kısa bir “durum geçişi programı” oluyor. 1
2
4
“Fizik dili” nasıl oluşturuluyor?
1. Geçiş düzeyinde Q-Former
PhiZero’nun belirteçleyicisi videoyu birbirinden bağımsız kareler olarak ele almak yerine, zaman içindeki değişimi işliyor. Sorgu tabanlı Q-Former darboğazı, sahnenin durum evrimine odaklanan kompakt özellikler çıkarıyor. 1
Bu, klasik bir video kodlayıcıdan önemli ölçüde farklı bir hedef ortaya koyuyor. Sistem, arka planı, yüzey dokusunu veya ışığı her karede yeniden taşımaya çalışmak yerine, bir durumdan sonraki duruma geçişte neyin değiştiğini yakalamaya çalışıyor.
2. Finite Scalar Quantization ile ayrıklaştırma
Q-Former’ın çıkardığı sürekli geçiş özellikleri daha sonra Finite Scalar Quantization (FSQ) adı verilen yöntemle ayrık simgelere dönüştürülüyor. Bu simgeler, PhiZero’nun fizik dilini oluşturan sonlu sözlüğü meydana getiriyor. Sözlükte yaklaşık 25.000 olası sembol bulunuyor. 1
2
Ayrık yapı sayesinde, dil modeli benzeri bir akıl yürütücü bu diziyi otoregresif biçimde tahmin edebiliyor. Başka bir deyişle model, çok daha uzun bir görsel gizil belirteç akışını üretmek yerine kısa bir geçiş dizisini adım adım kuruyor.
Ancak “fizik dili” terimi, bu sembollerin insanlar tarafından kolayca yorumlanabildiği anlamına gelmiyor. Tek bir belirteç mutlaka “yerçekimi”, “sola dön” veya “çarpışma” gibi açık bir fiziksel kavrama karşılık gelmeyebilir. Bunlar, eğitim sırasında öğrenilmiş geçiş örüntüleri.
3. İlk kareyi görünüm önceliği olarak kullanan difüzyon kod çözücü
PhiZero’nun video kod çözücüsü, temiz ilk kareyi yüksek frekanslı bir görünüm önceliği olarak kullanıyor. İlk kare; doku, ışık, nesne kimliği ve arka plan gibi ayrıntıların önemli bölümünü zaten sağlıyor. Fizik dili belirteçleri ise bu görünümün sonrasında nelerin değişmesi gerektiğini anlatıyor. 2
Bu görev paylaşımı, geçiş belirteçlerinin sınırlı kapasitesini her görsel ayrıntıyı taşımak için harcamasını önlüyor. Kod çözücü, ilk karedeki görünümü korurken fizik dili dizisinin işaret ettiği hareket ve etkileşimleri videoya aktarıyor.
Araştırmacıların bildirdiği eğitim sürecinde ayrıca saf gürültüyle bir ısınma aşaması kullanılıyor. Bunun amacı, kod çözücünün kısmen erişebildiği gelecek kare bilgilerine yaslanmasını engellemek. Böylece sistem, gelecek görüntüyü ilk kare koşulu ve fizik dili bağlamından yeniden oluşturmayı öğreniyor. 2
175 katlık azalma ne anlama geliyor?
PhiZero makalesindeki örneğe göre yaklaşık dört saniyelik, 33 kareden oluşan bir klip 256 ayrık fizik dili belirteciyle temsil ediliyor. Buna karşılık Wan2.2 VAE temsili 44.800 sürekli görsel belirteç kullanıyor. Bu, temsil dizisinin uzunluğunda yaklaşık 175 katlık bir azalma anlamına geliyor; araştırmacılar bununla birlikte rekabetçi yeniden oluşturma kalitesi bildiriyor. 1
Bu rakamı doğru yorumlamak önemli. 175 katlık karşılaştırma, öncelikle temsil belirteçlerinin sayısını gösteriyor; toplam depolama bitlerini, bellek kullanımını, gecikmeyi veya uçtan uca çıkarım maliyetini tek başına ifade etmiyor. PhiZero hâlâ kapsamlı bir difüzyon ya da akış eşleme tabanlı kod çözücüye ve klibi oluşturmak için başlangıçtaki görsel kareye ihtiyaç duyuyor. 1
2
Dolayısıyla çalışmanın en güçlü iddiası, donanım maliyetinde ya da hızda otomatik olarak 175 kat iyileşme değil; dünya durumlarını daha soyut ve daha kısa bir temsil üzerinde tahmin edebilme fikri.
Robotik ve bedenlenmiş yapay zekâ için neden önemli olabilir?
Robotik ve bedenlenmiş sistemler
Bir robot, gerçekleştirmeyi planladığı bir eylemin sonuçlarını önce kompakt bir geçiş dizisi üzerinde tahmin edebilir. Ayrıntılı görüntüyü daha sonra üretmek, eyleme koşullu simülasyonu ve planlamayı daha düzenli hâle getirebilir. Aynı hareket örüntülerinin farklı görsel stillerde veya yüzey görünümlerinde kullanılabilmesi de mümkün olabilir. Proje; etkileşimli dünya modelleme, eyleme koşullu simülasyon ve hareket aktarımı gibi kullanım alanlarını ele alıyor. 2
4
Bunun anlamı, robotun otomatik olarak eksiksiz bir fizik teorisi kazandığı değil. Daha sınırlı ve uygulanabilir hedef, görsel ayrıntıya geçmeden önce dünyadaki olası değişimleri temsil edip birleştirebilmek.
Otonom sürüş
Aynı ayrım, otonom sürüş senaryolarında da anlamlı olabilir. Bir sistem için kritik bilgi çoğu zaman yolun dokusundan veya ışığın renginden çok araçların ve yayaların zaman içinde nasıl hareket ettiğidir: frenleme, şerit değiştirme, karşıya geçme, yol verme ya da etkileşim.
Yine de bu, PhiZero’nun güvenlik açısından kritik sürüş sistemlerinde kullanıma hazır olduğunu göstermiyor. Görsel olarak tutarlı görünen bir video yanlış bir yörünge içerebilir. Ayrıca öğrenilmiş belirteçler, doğrudan doğrulanabilir fiziksel durum değişkenleri değil.
Video kodlayıcıdan kısa bir “programa”
Geleneksel görsel temsiller, videoyu yeniden oluşturmak için gerekli bilgiyi saklayan sıkıştırılmış video akışlarına benziyor. PhiZero’nun fizik dili ise daha çok bir yörüngeyi tarif eden kısa bir programa yaklaşıyor: Görsel akıl yürütücü bu geçiş dizisini tahmin ediyor, kod çözücü de onu piksellere çeviriyor. 1
2
4
Bu değişim, dünya modeli akıl yürütmesini daha birleştirilebilir hâle getirebilir. Sistem, her seferinde tüm görsel ayrıntıları yeniden üretmeden geçiş örüntülerini karşılaştırabilir, değiştirebilir veya başka bir görünüme aktarabilir. Bu avantajın ne kadar geniş kapsamda geçerli olacağı ise temsilin her görev için önemli dinamikleri ne ölçüde koruyabildiğine bağlı.
PhiZero neyi gösteriyor, neyi göstermiyor?
PhiZero, dünya modelinde dinamikleri açık bir darboğaz hâline getirmek için somut bir mimari öneriyor: video verilerinden ayrık geçiş temsilleri öğrenmek, bunları ilk sahne ve eylem niyetinden hareketle tahmin etmek ve ardından sonucu görüntü olarak oluşturmak. 256 belirteç ile 44.800 belirteç arasındaki karşılaştırma, bu soyutlamanın neden ilgi çekici olduğunu gösteriyor. 1
Ancak bu yaklaşım, fiziksel anlayış probleminin çözüldüğü anlamına gelmiyor. Öğrenilmiş sözlük, yararlı düzenlilikleri yakalayabilir; fakat bu semboller fiziksel değişkenlere temiz biçimde karşılık gelmeyebilir. Benzer şekilde, görsel açıdan inandırıcı bir video, tahmin edilen dünya durumunun doğru olduğunu kanıtlamaz.
En temkinli ve savunulabilir sonuç şu: PhiZero, bir sahnenin ne olduğunu ve nasıl değiştiğini birbirinden ayırmaya çalışan, dünya modelleri için umut vadeden bir araştırma mimarisi sunuyor.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "PhiZero, Dünya Modellerine “Fizik Dili” Kazandırıyor"?
PhiZero, gelecekteki videoyu doğrudan pikseller üzerinden üretmek yerine “önce akıl yürüt, sonra oluştur” yaklaşımını benimsiyor.
What are the key points to validate first?
PhiZero, gelecekteki videoyu doğrudan pikseller üzerinden üretmek yerine “önce akıl yürüt, sonra oluştur” yaklaşımını benimsiyor. Modelin “fizik dili”, renk ve doku gibi görsel ayrıntılardan çok nesnelerin hareketini ve sahne durumlarının zaman içindeki değişimini temsil ediyor.
What should I do next in practice?
Yaklaşık dört saniyelik, 33 karelik bir klip 256 ayrık belirteçle temsil ediliyor; bu, Wan2.2 VAE’nin 44.800 sürekli görsel belirtecine kıyasla yaklaşık 175 kat daha kısa bir dizi anlamına geliyor.