Runway "Solaris"-ийг танилцууллаа: DOM болон кодгүйгээр дэлгэцийг бодит цагт кадр кадрээр шууд үүсгэх "Interface World Model"

Сүүлийн 60 гаруй жилийн турш бидний өдөр тутмын амьдралдаа ашиглаж буй программ хангамж, вэб хуудас бүр нэг л хууль дүрмээр ажиллаж ирсэн. Дизайнер хэрэглэгчийн интерфэйсийн бүтцийг зурна; инженер түүнийг нь DOM мод (tree), CSS загварчлал, төлөв удирдлага (state management), компиляци хийгдэх кодын дүрэм болгон хөрвүүлнэ; эцэст нь үйлдлийн систем эсвэл вэб хөтөч уг кодыг уншиж дэлгэц дээр пиксел болгон харуулдаг. Товчхондоо, дэлгэц дээрх пиксел бол детерминистик кодын шууд үр дүн байсаар ирсэн билээ.

Харин хиймэл оюун ухааны тэргүүлэгч Runway компани энэхүү олон жилийн уламжлалт шугамыг бүрэн алгасах боломжтойг зарлалаа. Тэдний шинээр танилцуулсан Solaris бол тэдний нэрлэж буйгаар дэлхийн анхны "Interface World Model" (IWM) буюу интерфэйсийн ертөнцийн загвар юм.

Solaris-ийн ажиллах зарчимд ямар ч урьдчилан бэлтгэсэн HTML хуудас, React component, CSS Layout, DOM бүтэц байхгүй. Интерфэйс нь видео тоглоом шигээр хэрэглэгчийн үйлдэл бүрд бодит цаг хугацаанд кадр кадрээр (frame-by-frame) шууд генераци хийгдэж дэлгэцэд дүрслэгдэнэ.

Interface World Model (IWM) яг яаж ажилладаг вэ?

Уламжлалт AI кодинг хэрэгслүүд (жишээ нь v0, Claude Code, Cursor) нь бидний хүссэн интерфэйсийн тайлбарыг аваад түүнийг кодоор (JSX, HTML, Tailwind) бичиж, тэр код нь browser дээр ажиллаж байж л UI бий болдог.

Харин Runway Solaris энэ алхмыг бүхэлд нь тасдан хаясан байна. Solaris нь Runway-ийн Gen-4.5 суурь видео үүсгэгч загвар болон олон зорилтот логик сэтгэлгээний моделиудын синтез дээр тулгуурлан бүтээгджээ. Solaris-ийн хувьд хэрэглэгчийн хулганы даралт (click), чирэх үйлдэл (drag), гар дээрх товчлуурын даралт бүр нь текст болон зургийн промптийн нэгэн адил "дараагийн кадрыг урьдчилан таамаглах (next-frame prediction) нөхцөлт өгөгдөл" (conditioning) болдог.

Жишээлбэл, хувцасны цахим дэлгүүрийн хуудас дээр хэрэглэгч нэгэн цамцыг чирч аваад өөрийн зураг руу аваачихад урьдчилан кодлогдсон ямар ч drag-and-drop JavaScript event дуудагдахгүй. Харин Solaris загвар тухайн үйлдлийн утгыг ойлгон, дараагийн кадруудад тухайн цамцыг хүний биед яг таарч өмссөн байдалтайгаар, хүрээлэн буй цэс болон сүүдрийг физик ертөнцийн логикийн дагуу шууд кадр кадрээр зурж үзүүлнэ. Энд “интерфэйс болгон тусад нь код бэлдэх” ойлголт үгүй болж, дэлгэц дээрх дүр зураг өөрөө программ хангамж болж байна.

Туршилтын үр дүн: Claude Opus 5-ийн үүсгэсэн кодоос 71% илүү

Runway өөрсдийн нийтэлсэн судалгааны ажилдаа хоёр үндсэн туршилтын үр дүнг дэлгэжээ.

1. Интерфэйс сэргээх бенчмарк (Reconstruction Benchmark): Судлаачид 30 гаруй бэлэн аппликейшны скриншотыг Claude Fable зэрэг тэргүүлэгч мультимодал загваруудад өгч, кодоор дахин бүтээлгэсэн байна. Интерфэйсийн визуал нарийн бүтэц, төвөгтэй байдал нэмэгдэх тусам кодоор хөрвүүлсэн хувилбаруудын чанар огцом муудаж, визуал мэдээллүүд гээгдэж байв. Харин Solaris пикселийн түвшинд бүтцийг илүү нарийвчлалтай хадгалж чадсан байна.
2. Хэрэглэгчийн туршилтын харьцуулалт (Preference Study): 250 туршигчийн дунд 7,500 орчим шууд харьцуулалт хийхэд хэрэглэгчийн зааварчилгааг дагаж биелүүлэх чадвараар Solaris Claude Opus 5-ийн үүсгэсэн кодтой хувилбараас 61%-ийн давуу санал авчээ. Хамгийн сонирхолтой нь "интерфэйсийн орчинд төрөлх мэт бодитой, ая тухтай хариу үйлдэл үзүүлэх" (natural behavior in scene) үзүүлэлтээр Solaris 71% vs 21%-ийн харьцаатайгаар кодоор бичигдсэн UI-ийг хол хаясан байна.

Хөгжүүлэгчдэд тулгарах бодит сорилтууд: Predictability vs Adaptability

Энэхүү шинэ парадигм нь гайхалтай сонсогдож байгаа ч программ хангамжийн инженерүүдийн хувьд маш том асуултын тэмдгүүдийг тавьж байна. Hugging Face-ийн үүсгэн байгуулагчдын нэг Thomas Wolf үүнийг дүгнэхдээ: "Бид урьдчилан таамаглах боломжийг (predictability) алдах ч 100 дахин илүү дасан зохицох чадварыг (adaptability) олж авах болно" гэжээ.

Хөгжүүлэгчдийн хувьд дараах техникийн сорилтууд бий болно:

• Non-deterministic UI (Тодорхойгүй интерфэйс): Код бичигдсэн үед товчлуур дээр дарахад яг юу болох нь 100% тодорхой байдаг. Харин генератив загвар дээр нэг л товчлуур дээр дарахад хэдэн миллисекундын дараа дэлгэцийн бүтэц бага зэрэг өөрчлөгдөх, өөр байрлалд зурагдах эрсдэлтэй. Энэ нь бүтээлч апп, симулятор, тоглоомд төгс тохирох ч банк, санхүү, эмнэлгийн системд шууд хэрэгжүүлэх боломжгүй.
• State Management ба API интеграци: Хэрэв дэлгэц дээр ямар ч DOM элемент байхгүй бол бид хэрэглэгчийн хийсэн үйлдлийг backend API, мэдээллийн сантай хэрхэн найдвартай холбох вэ? Энд визуал төлөвөөс бодит өгөгдлийн бүтцэд холбох шинэ төрлийн "latent-to-data" протоколууд хэрэгтэй болно.
• Inference Latency ба Зардал: Хэрэглэгчийн компьютер дээр CPU/GPU ашиглан миллисекундэд зурагддаг CSS/DOM-оос ялгаатай нь секундийн хэдэн арван кадраар видео маягийн генераци хийхэд асар их GPU инференс шаардагдана.

Энэ нь фронтэнд хөгжүүлэлтийн төгсгөл үү?

Мэдээж Runway Solaris маргааш шууд React, Vue эсвэл уламжлалт хөгжүүлэлтийг арчиж хаяхгүй. Гэвч энэ нь программ хангамжийг "Хүн -> Код -> Пиксел" гэж үздэг олон жилийн уламжлалыг "Хүсэл зорилго (Intent) -> Пиксел" болгон өөрчлөх анхны томоохон дохио юм.

Ирээдүйд бид аппликейшнийг урьдчилан төлөвлөж бүтээн хэрэглэгчдэд тулгах бус, хэрэглэгч бүрийн хүсэл, ашиглах хэв маягт тохируулан бодит цагт өөрөө өөрийгөө зуран хувиргадаг "амьд интерфэйс"-үүдтэй ажиллах цаг хаяанд ирснийг энэхүү загвар тод харууллаа.

Эх сурвалж: Runway Research, The New Stack, Daily.dev