Google DeepMind ने मंगळवारी Genie 4 ची घोषणा केली, जे रीअल-टाइम इंटरएक्टिव्ह सिम्युलेशनसाठी तिचे सर्वात नवीन जागतिक मॉडेल, ज्याला कंपनी अभूतपूर्व वास्तववाद आणि नेटिव्ह ऑडिओ AI-व्युत्पन्न वातावरणात आणते जे वापरकर्ते नैसर्गिक भाषेसह उड्डाण करू शकतात.
प्रेस ब्रीफिंगनंतर टेकक्रंचच्या कव्हरेजनुसार, जिनी 4 डीपमाइंडने आजपर्यंतचे सर्वात फोटोरिअलिस्टिक आणि परस्परसंवादी जग तयार केले आहे. वापरकर्ते दृश्य बदलण्यासाठी मध्य-सिम्युलेशन प्रॉम्प्ट टाईप करू शकतात — कॅमेरा हलवणे, हवामान बदलणे किंवा नवीन लोक आणि वस्तूंचा परिचय करून देणे — तर मॉडेल सभोवतालचा आवाज, संगीत आणि परस्पर संवादासह फ्लायवर सिंक्रोनाइझ केलेला ऑडिओ व्युत्पन्न करते.
जागतिक मॉडेल्स - एआय सिस्टम ज्या केवळ मजकूराचा अंदाज लावण्याऐवजी किंवा स्थिर प्रतिमा सादर करण्याऐवजी परस्परसंवादी वातावरणाचे अनुकरण करतात - AI मधील सर्वात स्पर्धात्मक सीमांपैकी एक बनल्या आहेत. शर्यतीचा वेग वाढल्यावर AI Buzz Wire वर नवीनतम AI मॉडेल रिलीजचे अनुसरण करा.
मिथुन वर बनवलेले, मिथुन दिग्दर्शित
Genie 4 हे Google च्या जेमिनी मॉडेल कुटुंबाशी खोलवर समाकलित आहे. डीपमाइंडच्या घोषणेनुसार, जेमिनी ओम्नी वास्तविक-जगातील देखावा आणि वर्तनामध्ये सिम्युलेशन अँकर करते, तर इतर जेमिनी मॉडेल्स कालांतराने सिम्युलेशन सुसंगत ठेवण्यासाठी आवश्यक जटिल तर्क प्रदान करतात.
TechCrunch ने आर्किटेक्चरचे वर्णन जेमिनी एक दिग्दर्शक म्हणून काम करत आहे जो पायऱ्यांची योजना करतो आणि फ्रेम तपासतो तर जिनी व्हिज्युअल तयार करतो. जेमिनी रोबोटिक्सशी जोडलेल्या एका संशोधन प्रयोगात, जेमिनी 4 आर्गॉन मॉडेलने जेनी 4 नंतर रिअल टाइममध्ये सिम्युलेट केलेल्या पायऱ्यांमध्ये कार्ये मोडून काढली — एक प्रात्यक्षिक डीपमाइंड पोझिशन्स हे भौतिक जगामध्ये घडण्यापूर्वी सिम्युलेशनमध्ये रोबोट परिस्थितींचा रिहर्सल करण्याचा एक संभाव्य मार्ग आहे.
"आम्ही भविष्यात हे हायब्रीड जागतिक मॉडेल्स पाहणार आहोत, जिथे तुमच्याकडे जेमिनी लेखन कोड आणि मजकूर यांचे संयोजन आहे आणि जेनी ते रिअल टाइममध्ये घेते आणि विविध स्तरांवर अमूर्ततेचे अनुकरण करते," Google चे संशोधन संचालक तेजस कुलकर्णी यांनी एका ब्रीफिंग दरम्यान सांगितले, TechCrunch नुसार.
चिकाटी दुप्पट करा, उत्तम भौतिकशास्त्र
Genie 3 वर जनरेशनल लीप — एक वर्षापूर्वी संशोधन पूर्वावलोकन म्हणून प्रसिद्ध झाली — महत्त्वपूर्ण आहे. Genie 4 दोन मिनिटांपर्यंत एक सातत्यपूर्ण दृश्य राखू शकते, त्याच्या पूर्ववर्ती मर्यादेच्या दुप्पट करू शकते आणि TechCrunch प्रति चांगले भौतिकशास्त्र आणि अधिक मानवासारखी पात्रे देऊ शकते. हे फ्री-फॉर्म संपादनांना देखील समर्थन देते जे पूर्वी शक्य नव्हते, जसे की रिअल टाइममध्ये हवामान किंवा कॅमेरा कोन बदलणे किंवा चालू असलेल्या सिम्युलेशनमध्ये नवीन लोक किंवा वस्तू जोडणे.
मॉडेल अंतराशिवाय नाही. डीपमाइंडच्या टीमने ब्रीफिंग दरम्यान कबूल केले की सिम्युलेशन जितके जास्त काळ चालेल तितके तपशील आणि वस्तू वाहून जाऊ शकतात आणि कंपनीने अद्याप व्युत्पन्न केलेला ऑडिओ अचूक कसा राहील किंवा जगातील मजकूर सुवाच्य राहील याची खात्री कशी करायची याचे निराकरण केलेले नाही.
एकत्रित करणारी जागतिक मॉडेल मार्केट
जागतिक मॉडेल उद्योग एकत्र येण्यास सुरुवात करताना जिनी 4 आले. टेकक्रंचने नोंदवले आहे की रनवेने ऑडिओ जनरेशनसह प्ले करण्यायोग्य जागतिक मॉडेल, GWM Worlds 2 लाँच केल्यानंतर काही महिन्यांनी रिलीज झाले आहे. दरम्यान, Fei-Fei Li's World Labs AMD द्वारे अधिग्रहित केले जात आहे, Amazon Decart खरेदी करण्यासाठी चर्चा करत आहे आणि Rivian ने स्वयं-ड्रायव्हिंग चाचणीसाठी सिम्युलेशन क्षमता घरात आणण्यासाठी थर्ड डायमेंशन प्राप्त केले आहे.
Google स्पष्टपणे त्या गर्दीच्या क्षेत्राच्या पुढे राहण्याचा प्रयत्न करीत आहे - आणि गुंतवणूकदारांनी लक्षात घेतले आहे. प्रेस अहवालात नमूद केले आहे की जिनी 4 च्या अनावरणानंतर अल्फाबेटचे शेअर्स 2% पेक्षा जास्त वाढले, जे बुधवारी कंपनीच्या तिमाही कमाईच्या अहवालाच्या अगदी पुढे आले. मागील वर्षी जेनी 3 ने व्हिडीओ गेमचे शेअर्स डेब्यू केले होते, कारण गुंतवणुकदारांनी रीअल-टाइम व्युत्पन्न केलेले जग अखेरीस पारंपारिक गेम डेव्हलपमेंटशी स्पर्धा करू शकते या अर्थाने झपाटले होते.
गेमिंग ते फिल्म स्टोरीबोर्ड ते रोबोटिक्स पर्यंत
डीपमाइंड जागतिक सिम्युलेशनला AGI च्या दिशेने एक महत्त्वपूर्ण पाऊल म्हणून फ्रेम करते, रोबोट आणि एजंटसाठी सुरक्षित प्रशिक्षण वातावरण सक्षम करते. पिच केलेल्या व्यावसायिक वापर प्रकरणांमध्ये गेमिंग, परस्परसंवादी शिक्षण आणि उत्पादन यांचा समावेश आहे. कंपनीचे एक सट्टा उदाहरण: ऐतिहासिक दृश्याचे पेंटिंग प्रविष्ट करणे आणि चित्रित केलेल्या इव्हेंटबद्दल त्याच्या विषयांसह गप्पा मारणे.
परंतु सुरुवातीचे वापरकर्ते कुठेतरी अनपेक्षितपणे सूचित करत आहेत: चित्रपट पूर्व-उत्पादन. टेकक्रंचच्या प्रेस ब्रीफिंग दरम्यान, Google DeepMind अभियंता डिएगो रिवास म्हणाले, "सर्जनशीलतेच्या जागेत प्रवाहाची स्थिती राखणे आश्चर्यकारकपणे उपयुक्त ठरते अशा क्षेत्रांमध्ये वास्तविक वेळेचा पैलू सर्वात मौल्यवान बनतो." "उदाहरणार्थ, कल्पनेच्या टप्प्यात, स्टोरीबोर्डिंग टप्प्यात - केव्हाही तुम्हाला जलद विचारांची आवश्यकता असेल."
विश्वासार्ह परीक्षक आधीपासूनच चित्रपटांचे प्रोटोटाइप करण्यासाठी Genie 4 वापरत आहेत आणि Rivas ने सुचवले की वापरकर्ते अखेरीस जेमिनी ओम्नीवर अवलंबून राहू शकतात जेणेकरुन ते प्रोटोटाइप तयार क्रिएटिव्ह मालमत्तेमध्ये बदलले जातील, तरीही त्यांनी या क्षमतांवर जोर दिला.
उपलब्धता
Genie 4 आता विश्वासू परीक्षकांच्या मर्यादित गटासाठी संशोधन पूर्वावलोकनात आणत आहे. येत्या काही आठवड्यांमध्ये, ते प्रोजेक्ट जिनीद्वारे Google AI अल्ट्रा सदस्यांपर्यंत पोहोचेल — मजकूर किंवा इमेज प्रॉम्प्ट्समधून परस्परसंवादी जग निर्माण करण्यासाठी Google चे साधन — तसेच जेमिनी API आणि AI स्टुडिओमधील प्रारंभिक प्रवेश भागीदार.
जागतिक मॉडेल्स पुढील प्लॅटफॉर्म शिफ्ट बनल्या आहेत किंवा एक प्रभावी संशोधन डेमो बनले आहेत, Genie 4 एक गोष्ट स्पष्ट करते: AI-व्युत्पन्न व्हिडिओ पाहणे आणि त्यामध्ये प्ले करणे यामधील रेषा नाहीशी होत आहे.
AI च्या पुढे रहा
प्रत्येक फ्रंटियर मॉडेल रिलीझ आणि संशोधनातील प्रगतीची माहिती ठेवा — AI Buzz Wire वर अधिक AI बातम्या वाचा.
येथे नवीनतम AI घडामोडी मिळवा.
