Runway Solaris: kod yazmadan çalışan arayüz üreten model geldi, yazılımın tanımı değişiyor

Bu yaklaşımın doğal sonucu, arayüzün deterministik olmaması. Aynı uygulamayı iki kez açtığınızda birebir aynı pikselleri görmeyebilirsiniz. Banka uygulaması için felaket, bir oyun ya da yaratıcı araç için tamamen kabul edilebilir.

Test sonuçları iddialı

Runway, 250 katılımcıyla 30 örnek üzerinde ikili karşılaştırma çalışması yaptı; toplam yaklaşık 7.500 yargı toplandı. İki başlıkta sonuçlar şöyle:

Talimatı takip etme başlığında Solaris yüzde 61 oranında tercih edildi, kodla üretilmiş arayüzler yüzde 24'te kaldı. "Doğal davranış" başlığında fark daha büyük: yüzde 71'e karşı yüzde 21.

Şirket ayrıca bir yeniden oluşturma testi paylaştı. Çok modlu dil modellerine mevcut bir arayüzü verip metne ya da koda çevirmelerini istediğinizde, görsel bilginin ciddi bir kısmı yolda kayboluyor. Solaris'in argümanı tam burada: arayüzü metne çevirmek kayıplı bir işlem, o hâlde çevirmeyelim.

Bu rakamlara temkinli yaklaşmakta fayda var. Çalışmayı Runway yaptı, bağımsız bir değerlendirme henüz yok ve "tercih edildi" ölçütü estetik beğeniyle işlevselliği aynı torbaya koyabiliyor. Yine de yüzde 71'e 21 gibi bir fark, ölçüm gürültüsüyle açıklanamayacak kadar büyük.

Neden bu fikir doğru olabilir

Yazılım geliştirmede son üç yılın hikâyesi, modellerin daha iyi kod yazması üzerineydi. Solaris farklı bir bahis oynuyor: belki de kod, arayüz için yanlış hedef.

Bir düğmenin ne yaptığını tarif etmek için React bileşeni yazmak, bir yüzü tarif etmek için piksel koordinatları yazmaya benziyor. İşe yarıyor, ama araç ile amaç arasında gereksiz bir çeviri katmanı var. Video modelleri fizik ve hareketi öğrenirken kod üzerinden geçmiyor; doğrudan görüntüyü öğreniyor. Aynı yaklaşımın arayüze uygulanması mantıksız değil.

Buradaki asıl kazanç hız değil, esneklik. Kodla üretilmiş bir arayüz, geliştiricinin öngördüğü durumları kapsar. Dünya modeliyle üretilen bir arayüzde öngörülmemiş durum diye bir şey yok; model her karede yeniden karar veriyor. Kullanıcının hiç beklenmedik bir şey yapması, bir hata ekranı değil yeni bir kare üretiyor.

Kod üretmek ile ekran üretmek arasındaki fark

İki yaklaşımı yan yana koyduğunuzda ayrım netleşiyor.

Bir dil modelinden arayüz istediğinizde model, niyetinizi metne çeviriyor, metni koda çeviriyor, kod tarayıcıda piksele çevriliyor. Üç çeviri, üç kayıp noktası. Modelin "üstte ince bir gezinme çubuğu" cümlesinden ürettiği kod, o cümlenin görsel karşılığını değil, eğitim verisindeki en yaygın kalıbı yansıtıyor. Bu yüzden yapay zekâ ile üretilen arayüzler birbirine benziyor.

Solaris'te tek çeviri var: niyetten piksele. Model, milyonlarca ekran görüntüsünden neyin nasıl göründüğünü doğrudan öğrenmiş durumda. Bir menünün açılırken nasıl kaydığı, bir düğmenin basılınca nasıl koyulaştığı, bir listenin kaydırılırken nasıl davrandığı; bunlar CSS kuralı olarak değil, gözlemlenmiş hareket olarak temsil ediliyor.

Runway'in yayımladığı yeniden oluşturma testi bu argümanın kanıtı olarak sunuluyor ve mantıklı bir kanıt. Mevcut bir arayüzü çok modlu bir modele verip kodla yeniden üretmesini istediğinizde çıkan sonuç orijinaline benziyor ama aynı değil. Kayıp, modelin yeteneksizliğinden değil, hedef formatın taşıma kapasitesinden geliyor.

Bugün gerçekten işe yarayacağı yerler

Solaris'in üretim ortamına giremeyeceğini söylemek, hiçbir işe yaramadığını söylemek değil. Belirsizliğin sorun olmadığı üç alan şimdiden ortada.

Prototipleme birincisi. Bir ürün fikrinin nasıl hissettirdiğini görmek için bugün tasarımcı, prototip aracı ve birkaç gün gerekiyor. Belirsiz ama akıcı bir arayüz, statik bir Figma ekranından daha çok bilgi veriyor.

Oyunlar ikincisi. Oyun arayüzleri zaten deterministik olmak zorunda değil ve oyuncular görsel tutarsızlığa çok daha toleranslı. Prosedürel üretim fikri bu sektörde otuz yıldır normal.

Üçüncüsü, uzun kuyruk yazılım. Kimsenin yazmaya değer bulmadığı, tek kişilik, tek seferlik araçlar. Bir depo sayımını yönetecek üç ekranlık uygulama için kimse iki hafta harcamıyor; o iş bugün Excel'de yapılıyor. Bu boşluk, Runway'in tanıtım paylaşımında vurguladığı "kodsuz, gerçek zamanlı" iddiasının en gerçekçi hedefi.

Nerede duvara toslar

Solaris şu anda erken erişimde. Genel kullanıma açık bir uygulama, API ya da açık ağırlıklı model yok; Runway "kilit ortaklarla halka açık lansman üzerinde çalışıyoruz" diyor ve başvuru formu yayınlamış durumda. Sektör basınında duyuru "kodsuz internetin önizlemesi" olarak yorumlandı, ki bu tanım hem iddiayı hem de mesafeyi doğru anlatıyor.

Üç ciddi engel görünüyor. Birincisi maliyet: her kareyi bir difüzyon modeliyle üretmek, aynı arayüzü tarayıcıda çizmekten kat kat pahalı. 720p ve sınırlı kare hızı bu yüzden.

İkincisi güvenilirlik. Doğruluk gerektiren hiçbir iş, halüsinasyon üretebilen bir arayüzü kaldıramaz. Bakiyenizin yanlış çizilmesi ile yanlış hesaplanması arasında kullanıcı açısından fark yok.

Üçüncüsü erişilebilirlik. Ekran okuyucular, klavye navigasyonu ve otomatik test araçlarının tamamı DOM üzerinden çalışır. Piksel akışı olarak üretilen bir arayüzde okunacak DOM yok. Bu, çözülmeden ürünleşemeyecek bir problem.

Video modelinden arayüz modeli çıkarmak

Solaris'in Gen-4.5 üzerine kurulmuş olması, ilk bakışta göründüğünden daha anlamlı bir tercih.

Video üretim modelleri yıllardır tek bir şeyi öğreniyor: verilen kareler dizisinden sonra ne gelmeli. Bu eğitim, modele farkında olmadan bir dünya temsili kazandırıyor. Nesneler kamera hareket ettiğinde yok olmuyor, gölgeler ışığa göre düşüyor, düşen cisim hızlanıyor. Hiçbiri kural olarak yazılmadı, hepsi tahminden çıktı.

Arayüz de bir dünya. Kuralları fizik değil konvansiyon, ama tutarlılığı aynı şekilde öğrenilebilir. Bir açılır menü tıklandığı yerden açılır, bir modal arkasındaki içeriği karartır, bir kaydırma çubuğu içeriğin uzunluğuyla ters orantılı kısalır. Bunlar da yazılı kural değil, gözlemlenmiş düzenlilikler.

Runway'in bahsi, ekran kayıtlarında bu düzenliliklerin fizik kadar öğrenilebilir olduğu. 250 kişilik çalışmadaki yüzde 71'e 21'lik "doğal davranış" farkı, bahsin en azından kısmen tuttuğunu gösteriyor.

Buradaki asıl sınır, uzun vadeli tutarlılık. Otoregresif üretimde her kare öncekilere bakar ve hata birikir. Otuz saniye sonra menüdeki yazı değişmiş olabilir. Video modellerinde bu kabul edilebilir bir kusur, bir arayüzde ise doğrudan işlevsizlik. Çözülmesi gereken problem burada.

Yazılımcıysanız bu sizi ne yapar

Kısa vadede hiçbir şey. Solaris bugün üretim ortamına giremez ve önümüzdeki bir yıl içinde de giremeyecek.

Orta vadede ilginçleşiyor. Arayüz üretmenin ucuzladığı her aşamada, işin ağırlık merkezi tasarımdan mantığa kaydı. Şablon siteleri statik HTML yazmayı bitirdi, düşük kodlu araçlar CRUD panellerini bitirdi. Solaris'in hedefi bir sonraki katman: ekranın kendisi. Ayakta kalan iş, verinin nerede durduğu, hangi kuralın işlediği ve kimin neye erişebildiği olacak. Bunlar zaten arayüzün altındaki işler.

Uzun vadede sorulacak soru daha büyük. Uygulama mağazası, tarayıcı ve işletim sistemi, sabit bir arayüz katmanı olduğu varsayımı üzerine kurulu. O varsayım kalkarsa dağıtım modeli de değişir. Runway'in Solaris'i bir işletim sistemi olarak tanımlaması pazarlama süsü değil; iddianın tam olarak nereye uzandığını gösteriyor.

Şimdilik elimizde 720p'de çalışan, erken erişimdeki bir araştırma projesi var. Ama yönü açık, ve bu yön yazılımın nasıl üretildiğinden çok, yazılımın ne olduğuna dair.