Η Google DeepMind αποκαλύπτει το μοντέλο Genie 4 World με εγγενή ήχο και σύστημα διεύθυνσης σε πραγματικό χρόνο

Η Google DeepMind ανακοίνωσε το Genie 4 την Τρίτη, το νεότερο παγκόσμιο μοντέλο της για διαδραστική προσομοίωση σε πραγματικό χρόνο, φέρνοντας αυτό που η εταιρεία αποκαλεί πρωτοφανή ρεαλισμό και εγγενή ήχο σε περιβάλλοντα που δημιουργούνται από AI που οι χρήστες μπορούν να κατευθύνουν εν κινήσει με φυσική γλώσσα.

Το Genie 4 δημιουργεί τους πιο φωτορεαλιστικούς και διαδραστικούς κόσμους που έχει δημιουργήσει η DeepMind μέχρι σήμερα, σύμφωνα με την κάλυψη από το TechCrunch μετά από μια ενημέρωση τύπου. Οι χρήστες μπορούν να πληκτρολογήσουν προτροπές στη μέση της προσομοίωσης για να αλλάξουν μια σκηνή — μετακίνηση της κάμερας, αλλαγή του καιρού ή εισαγωγή νέων ανθρώπων και αντικειμένων — ενώ το μοντέλο παράγει συγχρονισμένο ήχο εν κινήσει, συμπεριλαμβανομένου ήχου περιβάλλοντος, μουσικής και διαδραστικών διαλόγων.

Τα παγκόσμια μοντέλα - συστήματα τεχνητής νοημοσύνης που προσομοιώνουν διαδραστικά περιβάλλοντα αντί να προβλέπουν απλώς κείμενο ή αποδίδουν στατικές εικόνες - έχουν γίνει ένα από τα πιο αμφισβητούμενα σύνορα στην τεχνητή νοημοσύνη. Ακολουθήστε τις τελευταίες εκδόσεις μοντέλων AI στο AI Buzz Wire καθώς ο αγώνας επιταχύνεται.

Χτισμένο σε Gemini, σε σκηνοθεσία Gemini

Το Genie 4 είναι βαθιά ενσωματωμένο με την οικογένεια μοντέλων Gemini της Google. Σύμφωνα με την ανακοίνωση της DeepMind, το Gemini Omni αγκυρώνει προσομοιώσεις σε εμφάνιση και συμπεριφορά στον πραγματικό κόσμο, ενώ άλλα μοντέλα Gemini παρέχουν τη σύνθετη συλλογιστική που απαιτείται για να διατηρηθεί μια συνεκτική προσομοίωση με την πάροδο του χρόνου.

Η TechCrunch περιέγραψε την αρχιτεκτονική ως Gemini που ενεργεί ως σκηνοθέτης που σχεδιάζει βήματα και ελέγχει τα πλαίσια ενώ η Genie δημιουργεί τα γραφικά. Σε ένα ερευνητικό πείραμα που συνδέεται με το Gemini Robotics, ένα μοντέλο Gemini 4 Argon χωρίζει τις εργασίες σε βήματα που το Genie 4 στη συνέχεια προσομοίωσε σε πραγματικό χρόνο - μια επίδειξη τοποθετεί το DeepMind ως έναν πιθανό τρόπο για πρόβα σεναρίων ρομπότ σε προσομοίωση προτού συμβούν στον φυσικό κόσμο.

"Αυτό που θα βλέπουμε όλο και περισσότερο στο μέλλον είναι αυτά τα μοντέλα υβριδικού κόσμου, όπου έχετε έναν συνδυασμό Gemini που γράφει κώδικα και κείμενο, και η Genie τα απορροφά σε πραγματικό χρόνο και προσομοιώνει την πραγματικότητα σε διαφορετικά επίπεδα αφαίρεσης", δήλωσε ο Tejas Kulkarni, διευθυντής έρευνας στη Google, κατά τη διάρκεια ενημέρωσης, σύμφωνα με το TechCrunch.

Διπλασιάστε την επιμονή, Καλύτερη Φυσική

Το άλμα γενεών πάνω από το Genie 3 - που κυκλοφόρησε ως προεπισκόπηση έρευνας λίγο περισσότερο από ένα χρόνο πριν - είναι σημαντικό. Το Genie 4 μπορεί να διατηρήσει μια σταθερή σκηνή για έως και δύο λεπτά, να διπλασιάσει το όριο του προκατόχου του και να προσφέρει καλύτερη φυσική και περισσότερους χαρακτήρες που μοιάζουν με τον άνθρωπο, ανά TechCrunch. Υποστηρίζει επίσης επεξεργασίες ελεύθερης μορφής που δεν ήταν δυνατές πριν, όπως αλλαγή καιρού ή γωνίες κάμερας σε πραγματικό χρόνο ή προσθήκη νέων ατόμων ή αντικειμένων σε μια προσομοίωση που τρέχει.

Το μοντέλο δεν είναι χωρίς κενά. Η ομάδα του DeepMind αναγνώρισε κατά τη διάρκεια της ενημέρωσης ότι οι λεπτομέρειες και τα αντικείμενα μπορούν να μετακινούνται όσο περισσότερο εκτελείται μια προσομοίωση και ότι η εταιρεία δεν έχει ακόμη επιλύσει τον τρόπο διασφάλισης του παραγόμενου ήχου να παραμένει ακριβής ή ότι το κείμενο του εσωτερικού κόσμου παραμένει ευανάγνωστο.

Μια ενοποιούμενη παγκόσμια αγορά μοντέλου

Το Genie 4 έρχεται καθώς η παγκόσμια βιομηχανία μοντέλων αρχίζει να εδραιώνεται. Το TechCrunch σημειώνει ότι η κυκλοφορία έρχεται μερικούς μήνες αφότου η Runway παρουσίασε το GWM Worlds 2, ένα παγκόσμιο μοντέλο με δυνατότητα αναπαραγωγής με παραγωγή ήχου. Εν τω μεταξύ, το World Labs του Fei-Fei Li εξαγοράζεται από την AMD, η Amazon βρίσκεται σε συζητήσεις για την αγορά του Decart και η Rivian έχει αποκτήσει την Τρίτη Διάσταση για να προσφέρει δυνατότητες προσομοίωσης εσωτερικά για δοκιμές αυτοοδήγησης.

Η Google προσπαθεί ξεκάθαρα να παραμείνει μπροστά σε αυτό το πολυσύχναστο πεδίο — και το έχουν παρατηρήσει οι επενδυτές. Τα δημοσιεύματα του Τύπου σημείωσαν ότι οι μετοχές της Alphabet αυξήθηκαν περισσότερο από 2% μετά την αποκάλυψη του Genie 4, η οποία προσγειώθηκε λίγο πριν από την τριμηνιαία έκθεση κερδών της εταιρείας την Τετάρτη. Ο προκάτοχός του Genie 3 τρόμαξε τις μετοχές των βιντεοπαιχνιδιών όταν έκανε το ντεμπούτο του πέρυσι, καθώς οι επενδυτές αντιμετώπισαν το συμπέρασμα ότι οι κόσμοι που δημιουργούνται σε πραγματικό χρόνο θα μπορούσαν τελικά να ανταγωνιστούν την παραδοσιακή ανάπτυξη παιχνιδιών.

Από το gaming στους πίνακες ιστοριών ταινιών στη ρομποτική

Το DeepMind πλαισιώνει την προσομοίωση κόσμου ως ένα κρίσιμο βήμα προς το AGI, επιτρέποντας ασφαλή περιβάλλοντα εκπαίδευσης για ρομπότ και πράκτορες. Οι θήκες εμπορικής χρήσης καλύπτουν το παιχνίδι, τη διαδραστική μάθηση και την κατασκευή. Ένα εικαστικό παράδειγμα από την εταιρεία: είσοδος σε έναν πίνακα μιας ιστορικής σκηνής και συνομιλία με τα θέματά της για το γεγονός που απεικονίζεται.

Αλλά οι πρώτοι χρήστες δείχνουν κάπου απροσδόκητο: την προπαραγωγή ταινιών. «Η πτυχή του πραγματικού χρόνου γίνεται πιο πολύτιμη στους τομείς όπου η διατήρηση μιας κατάστασης ροής στον χώρο της δημιουργικότητας γίνεται απίστευτα χρήσιμη», δήλωσε ο Ντιέγκο Ρίβας, μηχανικός της Google DeepMind, κατά τη διάρκεια της ενημέρωσης τύπου, σύμφωνα με το TechCrunch. «Για παράδειγμα, στη φάση του ιδεασμού, στη φάση του storyboarding — κάθε φορά που χρειάζεστε έναν γρήγορο ιδεασμό».

Οι έμπιστοι δοκιμαστές έχουν ήδη χρησιμοποιήσει το Genie 4 για να δημιουργήσουν πρωτότυπα ταινίες και ο Rivas πρότεινε ότι οι χρήστες θα μπορούσαν τελικά να βασιστούν στο Gemini Omni για να μετατρέψουν αυτά τα πρωτότυπα σε ολοκληρωμένα δημιουργικά στοιχεία, αν και τόνισε ότι αυτές οι δυνατότητες παραμένουν πολύ μακριά.

Διαθεσιμότητα

Το Genie 4 κυκλοφορεί τώρα σε προεπισκόπηση έρευνας σε μια περιορισμένη ομάδα αξιόπιστων δοκιμαστών. Τις επόμενες εβδομάδες, θα φτάσει στους συνδρομητές του Google AI Ultra μέσω του Project Genie — του εργαλείου της Google για τη δημιουργία διαδραστικών κόσμων από μηνύματα κειμένου ή εικόνας — καθώς και με συνεργάτες πρώιμης πρόσβασης στο Gemini API και στο AI Studio.

Είτε τα παγκόσμια μοντέλα γίνονται η επόμενη αλλαγή πλατφόρμας είτε παραμένουν μια εντυπωσιακή ερευνητική επίδειξη, το Genie 4 ξεκαθαρίζει ένα πράγμα: η γραμμή μεταξύ της παρακολούθησης βίντεο που δημιουργείται από AI και της αναπαραγωγής μέσα σε αυτό εξαφανίζεται.

Μείνετε μπροστά από την τεχνητή νοημοσύνη

Μείνετε ενημερωμένοι με κάθε έκδοση προορισμού μοντέλων και ερευνητική ανακάλυψη — διαβάστε περισσότερα νέα AI στο AI Buzz Wire.

Λάβετε τις τελευταίες εξελίξεις AI εδώ.