Większość firm szkoleniowych, z którymi rozmawiam, ma ten sam problem. Zamówienie jednej symulacji 3D wypadku przy pracy kosztuje od 60 do 150 tysięcy złotych i trwa trzy miesiące, a aktualizacja po zmianie procedury to kolejne 20 tysięcy. Tymczasem szkolenie oparte na prezentacji nie zostawia w głowie nic poza wynikiem testu. Technologia multimodalnych agentów 3D, opisana w artykule zespołu Yansong Ninga, może to zmienić.
Slajdy nie uczą, symulacje rujnują budżet
W firmie produkcyjnej z 400 pracownikami roczny koszt szkoleń BHP to około 180 tysięcy złotych, jeśli liczyć czas pracy i materiały. Efekt? Po trzech miesiącach pracownik nie pamięta, gdzie jest najbliższy wyłącznik główny prądu. Próbowałem kiedyś wprowadzić test ewakuacyjny po szkoleniu e-learningowym: 40 procent osób poszło w złą stronę. To jest konkretny problem, nie abstrakcja.
Symulacje 3D rozwiązują sprawę, ale ich produkcja wymaga zespołu: modelarza, programisty, grafika, testera. Dla jednego wariantu pożaru w magazynie to 80 do 120 tysięcy. Na dwa warianty już 200. Mało która firma szkoleniowa może to zrobić dla klienta za 50 tysięcy, a klient nie zapłaci 200.
Agent, który buduje świat z opisu
Badacze z zespołu VibeWorlding pokazali, że multimodalny model językowy może dostać tekstowy opis sceny, na przykład 'magazyn wysokiego składowania z regałami do 6 metrów, wyjście ewakuacyjne przy rampie B, wózek widłowy blokujący przejście', i sam zbudować interaktywne środowisko 3D. Pracownik może w nim się poruszać, otwierać drzwi, sprawdzać gaśnice, podejmować decyzje.
Agent działa w pętli: rozumie intencję instruktora, planuje układ sceny, przeszukuje bibliotekę assetów 3D, edytuje pozycje obiektów, renderuje podgląd. Weryfikator sprawdza, czy świat jest fizycznie wykonalny i czy zgadza się z procedurą. Jeśli nie, agent poprawia. To wieloturowe podejście, a nie jednorazowe wygenerowanie.
Autorzy podają, że nawet najlepsze komercyjne modele nie przekraczają 60 procent skuteczności w precyzyjnej edycji 3D, ale model trenowany w ich środowisku VibeWorlding-Gym osiąga lepszy wynik. Dla działu szkoleń ważniejsze jest jednak, że koszt takiego modelu po treningu jest ułamkiem kosztu komercyjnego API.
Scenariusz: pożar w magazynie wysokiego składowania
Wyobraźmy sobie firmę logistyczną z trzema magazynami. Instruktor BHP wpisuje w narzędziu: 'Pożar w strefie kompletacji, regały 6 metrów, dym przy suficie, dwie drogi ewakuacji, jedna zablokowana paletą'. Po 20 minutach ma prototyp symulacji, w której pracownik musi wybrać drogę, sprawdzić temperaturę drzwi, zdecydować o opuszczeniu strefy. Po każdej próbie system pokazuje zrenderowany obraz, gdzie pracownik był, i porównuje trasę z procedurą.
W tradycyjnym podejściu taki scenariusz zamówiony w studiu 3D kosztowałby 90 tysięcy i powstawałby sześć tygodni. Zmiana procedury, na przykład nowe oznakowanie wyjścia, to kolejne 10 tysięcy. Tutaj instruktor zmienia jedno zdanie w opisie i po godzinie ma aktualną symulację.
Wieloturowość robi różnicę. Pracownik nie ogląda filmu, tylko popełnia błędy w kontrolowanym środowisku. Po trzech próbach zapamiętuje trasę ewakuacji lepiej niż po godzinie wykładu. To wnioski z moich rozmów z trenerami BHP, nie z badań akademickich.
Ile to kosztuje i kiedy się zwraca
Policzmy dla firmy szkoleniowej, która obsługuje 20 klientów rocznie. Stały koszt wdrożenia agenta to około 40 tysięcy złotych na integrację z biblioteką assetów i szablonami scen. Roczna licencja na model open source VibeWorlder-30B-A3B po treningu to koszt serwera GPU, około 3 do 5 tysięcy miesięcznie, czyli 36 do 60 tysięcy rocznie. Razem pierwszy rok: 76 do 100 tysięcy.
Przy 20 klientach i średniej cenie 18 tysięcy za symulację, przychód roczny to 360 tysięcy. Marża po kosztach technicznych i pracy instruktora: około 190 tysięcy. Zwrot następuje w 6 do 8 miesięcy. Dla wewnętrznego działu BHP w dużej firmie oszczędność polega na tym, że nie płacisz studiu 3D za każdą zmianę procedury. Trzy aktualizacje scenariuszy w roku to około 60 tysięcy, które zostaje w budżecie.
Największy koszt ukryty to czas instruktora. Opisanie dobrego scenariusza tekstowego wymaga 2 do 3 godzin, ale to i tak o 80 procent mniej niż brief dla agencji 3D.
Od czego zacząć
Zacznij od jednego scenariusza ewakuacji w jednym budynku. Wybierz narzędzie, które pozwala na podgląd renderu i edycję opisu w czasie rzeczywistym. Przetestuj na 10 pracownikach i porównaj czas przejścia trasy ewakuacyjnej przed szkoleniem i po. Jeśli czas spadnie o 30 procent, masz argument dla zarządu.
Nie zaczynaj od skomplikowanego scenariusza awarii chemicznej z 40 obiektami. Najpierw sprawdź, czy agent poprawnie ustawia drzwi, oznakowanie i przeszkody. To jest wąskie gardło, o którym piszą autorzy artykułu: precyzyjna edycja 3D, nie rozumienie intencji, sprawia najwięcej problemów. Wybierz dostawcę, który pokaże ci wyniki na twoim scenariuszu, a nie na demo z konferencji.
Moim zdaniem w ciągu dwóch lat szkolenia BHP bez symulacji będą wyglądały jak dzisiaj szkolenia z obsługi wózka widłowego na slajdach. Kto pierwszy zbuduje bibliotekę 50 scenariuszy awarii, ten zdobędzie przewagę.
- Symulacja 3D z opisu tekstowego w 20 minut
- Aktualizacja scenariusza po zmianie procedury w godzinę
- Redukcja kosztów produkcji o 70 do 80 procent w porównaniu ze studiem 3D
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: VibeWorlding: Can Multimodal Agents Construct 3D Open Worlds End-to-End?
Autorzy: Yansong Ning, Jingwen Ye, Zhongkai Wu, Yang Sun, Yiqin Zhu i in.
Constructing an interactive 3D open world from a user query is important. However, existing methods are primarily evaluated on idealized, simple queries, making it difficult to systematically analyze and compare how multimodal agents understand user intent, use 3D tools, and reason over textual a...
arXiv: arxiv.org/abs/2608.15265
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
