Google DeepMind、ネイティブオーディオとリアルタイムステアリングを備えた Genie 4 ワールドモデルを発表

Google DeepMind の Genie 4 ワールドモデルは、ネイティブオーディオ、自由形式の編集、リアルタイムの自然言語ステアリングを備えたインタラクティブな世界を生成します。

Google DeepMind は火曜日、リアルタイムインタラクティブシミュレーションの最新世界モデルである Genie 4 を発表しました。これは、同社が前例のないリアリズムとネイティブオーディオと呼ぶものを、ユーザーが自然言語でその場で操作できる AI 生成環境にもたらします。

記者会見後のTechCrunchの報道によると、Genie 4はDeepMindがこれまでに制作した中で最もフォトリアリスティックでインタラクティブな世界を生成するという。ユーザーはシミュレーション中にプロンプトを入力してシーンを変更する（カメラの移動、天気の変更、新しい人物やオブジェクトの導入など）ことができ、その一方でモデルは環境音、音楽、インタラクティブな対話などの同期オーディオをオンザフライで生成します。

ワールドモデル (テキストを予測したり静止画像をレンダリングするだけでなく、インタラクティブな環境をシミュレートする AI システム) は、AI で最も争われているフロンティアの 1 つとなっています。レースが加速するにつれて、AI Buzz Wire で最新の AI モデルのリリースをフォローしてください。

ジェミニ上で構築され、ジェミニが監督

Genie 4 は、Google の Gemini モデルファミリーと深く統合されています。 DeepMind の発表によると、Gemini Omni はシミュレーションを現実世界の外観と動作に固定するのに対し、他の Gemini モデルはシミュレーションの一貫性を長期にわたって維持するために必要な複雑な推論を提供します。

TechCrunch は、このアーキテクチャについて、Genie がビジュアルを作成している間、Gemini がステップを計画しフレームをチェックするディレクターとして機能すると説明しました。 Gemini Robotics に関連した研究実験では、Gemini 4 の Argon モデルがタスクをステップに分割し、Genie 4 がリアルタイムでシミュレーションしました。DeepMind は、このデモンストレーションを、ロボットのシナリオが物理世界で起こる前にシミュレーションでリハーサルできる方法として位置付けています。

TechCrunchによると、Googleのリサーチディレクター、テジャス・クルカルニ氏は会見で、「今後ますます目にすることになるのは、Geminiがコードとテキストを書き、Genieがそれをリアルタイムで取り込み、さまざまな抽象レベルで現実をシミュレートするという組み合わせのハイブリッド世界モデルだ」と述べた。

永続性が 2 倍になり、物理学が向上します

1 年ちょっと前にリサーチプレビューとしてリリースされた Genie 3 を超える世代の飛躍は、かなりのものです。 TechCrunch によると、Genie 4 は、前世代の制限の 2 倍である最大 2 分間一貫したシーンを維持でき、より優れた物理学とより人間らしいキャラクターを提供します。また、天候やカメラアングルをリアルタイムで変更したり、実行中のシミュレーションに新しい人物やオブジェクトを追加したりするなど、以前は不可能だった自由形式の編集もサポートしています。

モデルにはギャップがないわけではありません。 DeepMindのチームはブリーフィングの中で、シミュレーションの実行時間が長くなるにつれて詳細やオブジェクトが変動する可能性があること、生成された音声が正確であること、またはインワールドテキストが読みやすい状態であることを保証する方法を同社がまだ解決していないことを認めた。

統合される世界モデル市場

世界の模型業界が統合し始める中、Genie 4 が登場します。 TechCrunchは、このリリースがRunwayがオーディオ生成機能を備えたプレイアブルワールドモデルであるGWM Worlds 2を発売してから数か月後に行われたと指摘している。一方、Fei-Fei Li's World LabsはAMDに買収され、AmazonはDecartの買収交渉を進めており、Rivianは自動運転テスト用のシミュレーション機能を社内に導入するためにThird Dimensionを買収した。

Google がその混雑した分野の先を行こうとしているのは明らかであり、投資家もそれに気づいています。報道によると、水曜日の同社の四半期決算報告の直前に発表されたGenie 4の発表を受けて、Alphabetの株価は2％以上上昇した。前身である Genie 3 は、リアルタイムで生成された世界が最終的に従来のゲーム開発と競合する可能性があるという暗示に投資家が取り組んだため、昨年のデビュー当時、ビデオゲーム株を騒がせました。

ゲームから映画の絵コンテ、ロボット工学まで

DeepMind はワールドシミュレーションを AGI への重要なステップとして位置づけ、ロボットとエージェントの安全なトレーニング環境を可能にします。提案された商用ユースケースは、ゲーム、インタラクティブ学習、製造に及びます。同社の推測的な例としては、歴史的な場面を描いた絵画の中に入り、描かれた出来事について被写体と会話するというものがあります。

しかし、初期のユーザーは、予期せぬ場所、つまり映画のプリプロダクションを指しています。 TechCrunch によると、Google DeepMind エンジニアの Diego Rivas 氏は記者会見で、「クリエイティブな空間でフロー状態を維持することが非常に役立つ分野では、リアルタイムの側面が最も価値を発揮します」と語った。「たとえば、アイデア出しの段階や絵コンテ作成の段階など、迅速なアイデア出しが必要なときはいつでも。」

信頼できるテスターはすでに Genie 4 を使用して映画のプロトタイプを作成しており、リバス氏はユーザーが最終的には Gemini Omni を利用してプロトタイプを完成したクリエイティブ資産に変えることができるだろうと示唆しましたが、その機能はまだ先のことだと強調しました。

可用性

Genie 4 は現在、限られた信頼できるテスターのグループを対象とした研究プレビューとして公開されています。今後数週間のうちに、テキストや画像のプロンプトからインタラクティブな世界を生成する Google のツールである Project Genie を通じて Google AI Ultra 加入者に提供されるほか、Gemini API および AI Studio の早期アクセスパートナーにも提供される予定です。

ワールドモデルが次のプラットフォームへの移行となるか、それとも印象的な研究デモであり続けるかにかかわらず、Genie 4 は 1 つのことを明らかにしています。それは、AI が生成したビデオを見ることとその中で遊ぶこととの間の境界線がなくなりつつあるということです。