Google DeepMind v úterý oznámil Genie 4, svůj nejnovější světový model pro interaktivní simulaci v reálném čase, který přináší to, co společnost nazývá bezprecedentní realismus a nativní zvuk, do prostředí generovaných umělou inteligencí, která mohou uživatelé řídit za běhu pomocí přirozeného jazyka.

Genie 4 generuje nejfotrealističtější a nejinteraktivnější světy, které DeepMind dosud vytvořil, podle zpravodajství TechCrunch po tiskové konferenci. Uživatelé mohou během simulace zadávat výzvy ke změně scény – pohyb kamery, změna počasí nebo představení nových lidí a objektů – zatímco model generuje synchronizovaný zvuk za běhu, včetně okolního zvuku, hudby a interaktivních dialogů.

Světové modely – systémy umělé inteligence, které simulují interaktivní prostředí spíše než jen předvídají text nebo vykreslují statické obrázky – se staly jednou z nejspornějších hranic v umělé inteligenci. Sledujte nejnovější verze modelů AI na AI Buzz Wire, jak se závod zrychluje.

Postaveno na Gemini, režie Gemini

Genie 4 je hluboce integrován do rodiny modelů Gemini společnosti Google. Podle oznámení DeepMind Gemini Omni ukotvuje simulace ve skutečném vzhledu a chování, zatímco jiné modely Gemini poskytují komplexní úvahy potřebné k udržení koherentní simulace v průběhu času.

TechCrunch popsal architekturu jako Gemini jako režisér, který plánuje kroky a kontroluje snímky, zatímco Genie vytváří vizuály. Ve výzkumném experimentu spojeném s Gemini Robotics model Gemini 4 Argon rozdělil úkoly do kroků, které pak Genie 4 simuloval v reálném čase – demonstrační pozice DeepMind jako možný způsob, jak nacvičit robotické scénáře v simulaci předtím, než k nim dojde ve fyzickém světě.

"V budoucnu budeme stále častěji svědky těchto modelů hybridního světa, kde máte kombinaci Gemini psaní kódu a textu a Genie, které to přijímá v reálném čase a simuluje realitu na různých úrovních abstrakce," řekl podle TechCrunch Tejas Kulkarni, ředitel výzkumu ve společnosti Google.

Dvojnásobná vytrvalost, lepší fyzika

Generační skok oproti Genie 3 – vydaný jako ukázka výzkumu před více než rokem – je podstatný. Genie 4 dokáže udržet konzistentní scénu po dobu až dvou minut, zdvojnásobí limit svého předchůdce a nabízí lepší fyziku a lidštější postavy, na TechCrunch. Podporuje také volné úpravy, které dříve nebyly možné, jako je změna počasí nebo úhlů kamery v reálném čase nebo přidávání nových lidí nebo objektů do běžící simulace.

Model není bez mezer. Tým DeepMind během briefingu uznal, že detaily a objekty se mohou unášet, čím déle simulace běží, a že společnost dosud nevyřešila, jak zajistit, aby generovaný zvuk zůstal přesný nebo aby text ve světě zůstal čitelný.

Konsolidace světového modelového trhu

Genie 4 přichází, když se světový modelářský průmysl začíná konsolidovat. TechCrunch poznamenává, že vydání přichází pár měsíců poté, co Runway spustila GWM Worlds 2, hratelný světový model s generováním zvuku. Mezitím společnost AMD získává společnost Fei-Fei Li's World Labs, Amazon jedná o koupi Decart a společnost Rivian získala společnost Third Dimension, aby přinesla vlastní simulační schopnosti pro testování s vlastním řízením.

Google se zjevně snaží zůstat před tímto přeplněným polem – a investoři si toho všimli. Tiskové zprávy zaznamenaly, že akcie Alphabet vzrostly o více než 2 % po představení Genie 4, které ve středu přistálo těsně před čtvrtletní zprávou o zisku společnosti. Předchůdce Genie 3 otřásl akciemi videoher, když loni debutoval, když se investoři potýkali s tím, že světy generované v reálném čase by mohly nakonec konkurovat tradičnímu vývoji her.

Od hraní přes filmové scénáře po robotiku

DeepMind uvádí světovou simulaci jako zásadní krok směrem k AGI, který umožňuje bezpečné tréninkové prostředí pro roboty a agenty. Prezentované případy komerčního využití zahrnují hry, interaktivní výuku a výrobu. Jeden spekulativní příklad ze společnosti: vstoupit do obrazu historické scény a povídat si s jejími subjekty o zobrazované události.

Ale první uživatelé směřují někam nečekaně: filmová předprodukce. „Aspekt v reálném čase se stává nejcennějším v oblastech, kde se udržování stavu toku v prostoru kreativity stává neuvěřitelně užitečným,“ řekl Diego Rivas, inženýr Google DeepMind, během tiskové konference pro TechCrunch. "Například ve fázi nápadů, ve fázi storyboardingu - kdykoli potřebujete rychlý nápad."

Důvěryhodní testeři již Genie 4 používali k prototypování filmů a Rivas navrhl, že by se uživatelé mohli nakonec spolehnout na Gemini Omni, aby tyto prototypy proměnili v hotové kreativní prostředky, i když zdůraznil, že tyto schopnosti zůstávají stranou.

Dostupnost

Genie 4 je nyní k dispozici ve zkušební verzi pro omezenou skupinu důvěryhodných testerů. V nadcházejících týdnech osloví předplatitele Google AI Ultra prostřednictvím Project Genie – nástroje společnosti Google pro generování interaktivních světů z textových nebo obrazových výzev – a také k partnerům pro časný přístup v Gemini API a AI Studio.

Ať už se světové modely stanou dalším posunem platformy nebo zůstanou působivou výzkumnou ukázkou, Genie 4 objasňuje jednu věc: hranice mezi sledováním videa generovaného umělou inteligencí a hraním v něm mizí.

Udržujte si náskok před AI

Držte krok s každým vydáním hraničního modelu a průlomem ve výzkumu — přečtěte si další zprávy o AI na AI Buzz Wire.

Zde získáte nejnovější vývoj AI.