Google DeepMind ogłosiło we wtorek Genie 4, swój najnowszy światowy model do interaktywnej symulacji w czasie rzeczywistym, zapewniający to, co firma nazywa bezprecedensowym realizmem i natywnym dźwiękiem, do środowisk generowanych przez sztuczną inteligencję, którymi użytkownicy mogą sterować w locie za pomocą języka naturalnego.

Jak wynika z relacji TechCrunch po konferencji prasowej, Genie 4 generuje najbardziej fotorealistyczne i interaktywne światy, jakie DeepMind wyprodukowało do tej pory. Użytkownicy mogą w trakcie symulacji wpisywać podpowiedzi, aby zmienić scenę — przesuwając kamerę, zmieniając pogodę lub wprowadzając nowe osoby i przedmioty — podczas gdy model generuje na bieżąco zsynchronizowany dźwięk, w tym dźwięki otoczenia, muzykę i interaktywne dialogi.

Modele świata – systemy sztucznej inteligencji, które symulują środowiska interaktywne, a nie tylko przewidują tekst lub renderują statyczne obrazy – stały się jedną z najbardziej spornych granic w dziedzinie sztucznej inteligencji. W miarę przyspieszania wyścigu śledź najnowsze wersje modeli sztucznej inteligencji na AI Buzz Wire.

Zbudowany na podstawie Bliźniąt, wyreżyserowany przez Bliźnięta

Genie 4 jest głęboko zintegrowany z rodziną modeli Google Gemini. Zgodnie z zapowiedzią DeepMind, Gemini Omni opiera symulacje na wyglądzie i zachowaniu w świecie rzeczywistym, podczas gdy inne modele Gemini zapewniają złożone rozumowanie potrzebne do utrzymania spójności symulacji w czasie.

TechCrunch opisał architekturę jako Gemini pełniącego rolę reżysera, który planuje kroki i sprawdza klatki, podczas gdy Genie tworzy wizualizacje. W eksperymencie badawczym powiązanym z Gemini Robotics model Gemini 4 Argon podzielił zadania na kroki, które następnie Genie 4 symulował w czasie rzeczywistym — co stanowi demonstrację, którą DeepMind postrzega jako możliwy sposób przećwiczenia scenariuszy robotów w symulacji, zanim wydarzą się one w świecie fizycznym.

„W przyszłości coraz częściej będziemy widzieć hybrydowe modele świata, w których Gemini pisze kod i tekst oraz Dżin przetwarzający je w czasie rzeczywistym i symulujący rzeczywistość na różnych poziomach abstrakcji” – powiedział podczas odprawy Tejas Kulkarni, dyrektor ds. badań w Google, według TechCrunch.

Podwójna trwałość, lepsza fizyka

Przeskok pokoleniowy w stosunku do Genie 3 — wydanego jako zapowiedź badań nieco ponad rok temu — jest znaczny. Według TechCrunch Genie 4 może utrzymywać spójną scenę przez maksymalnie dwie minuty, co stanowi dwukrotnie więcej niż w przypadku poprzednika, a także zapewnia lepszą fizykę i postacie bardziej ludzkie. Obsługuje także dowolne edycje, które nie były wcześniej możliwe, takie jak zmiana pogody lub kąta kamery w czasie rzeczywistym lub dodawanie nowych osób lub obiektów do działającej symulacji.

Model nie jest pozbawiony luk. Zespół DeepMind przyznał podczas odprawy, że szczegóły i obiekty mogą dryfować w miarę upływu czasu trwania symulacji oraz że firma nie odkryła jeszcze, w jaki sposób zapewnić dokładność generowanego dźwięku lub czytelność tekstu w świecie gry.

Konsolidujący się rynek modeli światowych

Genie 4 pojawia się, gdy światowy przemysł modelarski zaczyna się konsolidować. TechCrunch zauważa, że ​​premiera następuje kilka miesięcy po wypuszczeniu przez Runway GWM Worlds 2, grywalnego modelu świata z generacją dźwięku. W międzyczasie AMD przejmuje World Labs Fei-Fei Li, Amazon prowadzi rozmowy w sprawie zakupu Decarta, a Rivian nabył Third Dimension, aby zapewnić wewnętrzne możliwości symulacyjne do testowania pojazdów autonomicznych.

Google wyraźnie stara się wyprzedzić tę zatłoczoną dziedzinę – co zauważyli inwestorzy. Doniesienia prasowe wskazują, że akcje Alphabet wzrosły o ponad 2% po zaprezentowaniu Genie 4, które odbyło się tuż przed publikacją kwartalnego raportu o zyskach spółki w środę. Poprzednik Genie 3 wstrząsnął giełdami gier wideo po swoim debiucie w zeszłym roku, gdy inwestorzy zmagali się z sugestią, że światy generowane w czasie rzeczywistym mogą ostatecznie konkurować z tworzeniem tradycyjnych gier.

Od gier, przez scenorysy filmowe, po robotykę

DeepMind postrzega symulację świata jako kluczowy krok w kierunku AGI, zapewniając bezpieczne środowisko szkoleniowe dla robotów i agentów. Rozważane przypadki zastosowań komercyjnych obejmują gry, interaktywne nauczanie i produkcję. Spekulacyjny przykład firmy: wejście na obraz przedstawiający scenę historyczną i rozmowa z bohaterami na temat przedstawionego wydarzenia.

Jednak pierwsi użytkownicy wskazują na coś nieoczekiwanego: przedprodukcję filmu. „Aspekt czasu rzeczywistego staje się najcenniejszy w obszarach, w których utrzymywanie stanu przepływu w przestrzeni kreatywności staje się niezwykle przydatne” – powiedział Diego Rivas, inżynier Google DeepMind, podczas konferencji prasowej według TechCrunch. „Na przykład w fazie tworzenia pomysłów, w fazie tworzenia scenorysów – zawsze, gdy potrzebujesz szybkiego pomysłu”.

Zaufani testerzy używali już Genie 4 do prototypowania filmów, a Rivas zasugerował, że użytkownicy mogliby ostatecznie polegać na Gemini Omni, aby przekształcić te prototypy w gotowe zasoby twórcze, choć podkreślił, że takie możliwości są jeszcze bardzo odległe.

Dostępność

Genie 4 jest obecnie udostępniany w wersji zapoznawczej ograniczonej grupie zaufanych testerów. W nadchodzących tygodniach dotrze do subskrybentów Google AI Ultra za pośrednictwem Project Genie – narzędzia Google do generowania interaktywnych światów na podstawie podpowiedzi tekstowych lub graficznych – a także do partnerów wczesnego dostępu w Gemini API i AI Studio.

Niezależnie od tego, czy modele świata staną się kolejną zmianą platformy, czy też pozostaną imponującym demo badawczym, Genie 4 wyjaśnia jedną rzecz: zanika granica między oglądaniem wideo generowanego przez sztuczną inteligencję a graniem w nim.

Wyprzedź sztuczną inteligencję

Bądź na bieżąco z każdą premierą nowego modelu i przełomem badawczym — przeczytaj więcej wiadomości o sztucznej inteligencji w AI Buzz Wire.

Tutaj znajdziesz najnowsze osiągnięcia AI.