Google DeepMind ra mắt Mô hình thế giới Genie 4 với âm thanh gốc và khả năng điều khiển theo thời gian thực

Google DeepMind đã công bố Genie 4 vào thứ Ba, mô hình thế giới mới nhất về mô phỏng tương tác thời gian thực, mang thứ mà công ty gọi là âm thanh gốc và hiện thực chưa từng có đến môi trường do AI tạo ra mà người dùng có thể điều khiển nhanh chóng bằng ngôn ngữ tự nhiên.

Genie 4 tạo ra thế giới tương tác và chân thực nhất mà DeepMind từng tạo ra cho đến nay, theo báo cáo từ TechCrunch sau cuộc họp báo. Người dùng có thể nhập lời nhắc trong quá trình mô phỏng để thay đổi cảnh — di chuyển máy ảnh, thay đổi thời tiết hoặc giới thiệu người và vật thể mới — trong khi mô hình tạo ra âm thanh đồng bộ nhanh chóng, bao gồm âm thanh xung quanh, âm nhạc và hội thoại tương tác.

Mô hình thế giới - hệ thống AI mô phỏng môi trường tương tác thay vì chỉ dự đoán văn bản hoặc hiển thị hình ảnh tĩnh - đã trở thành một trong những lĩnh vực gây tranh cãi nhất trong AI. Theo dõi các bản phát hành mô hình AI mới nhất trên AI Buzz Wire khi cuộc đua tăng tốc.

Được xây dựng trên Gemini, do Gemini đạo diễn

Genie 4 được tích hợp sâu với dòng mô hình Gemini của Google. Theo thông báo của DeepMind, Gemini Omni neo các mô phỏng về diện mạo và hành vi trong thế giới thực, trong khi các mô hình Gemini khác cung cấp lý do phức tạp cần thiết để giữ cho mô phỏng mạch lạc theo thời gian.

TechCrunch mô tả kiến ​​trúc như Gemini đóng vai trò là đạo diễn lên kế hoạch cho các bước và kiểm tra khung hình trong khi Genie tạo ra hình ảnh. Trong một thử nghiệm nghiên cứu gắn liền với Gemini Robotics, mô hình Gemini 4 Argon đã chia nhiệm vụ thành các bước mà Genie 4 sau đó mô phỏng trong thời gian thực — một minh họa mà DeepMind coi là một cách khả thi để diễn tập các kịch bản robot trong mô phỏng trước khi chúng xảy ra trong thế giới thực.

Tejas Kulkarni, giám đốc nghiên cứu tại Google, cho biết trong một cuộc họp ngắn, theo TechCrunch: “Những gì chúng ta sẽ thấy ngày càng nhiều trong tương lai là những mô hình thế giới lai này, nơi bạn có sự kết hợp giữa mã và văn bản viết của Gemini, và Genie tiếp thu điều đó trong thời gian thực và mô phỏng thực tế ở các mức độ trừu tượng khác nhau”.

Nhân đôi sự kiên trì, Vật lý tốt hơn

Bước nhảy vọt về thế hệ so với Genie 3 - được phát hành dưới dạng bản xem trước nghiên cứu cách đây hơn một năm - là rất đáng kể. Genie 4 có thể duy trì một cảnh nhất quán trong tối đa hai phút, gấp đôi giới hạn của phiên bản tiền nhiệm và cung cấp vật lý tốt hơn cũng như các nhân vật giống con người hơn, theo TechCrunch. Nó cũng hỗ trợ các chỉnh sửa dạng tự do mà trước đây không thể thực hiện được, chẳng hạn như thay đổi thời tiết hoặc góc camera trong thời gian thực hoặc thêm người hoặc đối tượng mới vào mô phỏng đang chạy.

Mô hình không phải là không có khoảng trống. Nhóm của DeepMind thừa nhận trong cuộc họp rằng các chi tiết và vật thể có thể trôi đi khi mô phỏng chạy lâu hơn và công ty vẫn chưa giải quyết được cách đảm bảo âm thanh được tạo ra vẫn chính xác hoặc văn bản trong thế giới vẫn dễ đọc.

Một thị trường kiểu mẫu thế giới hợp nhất

Genie 4 xuất hiện khi ngành công nghiệp người mẫu thế giới bắt đầu củng cố. TechCrunch lưu ý rằng việc phát hành diễn ra vài tháng sau khi Runway ra mắt GWM Worlds 2, một mô hình thế giới có thể chơi được với khả năng tạo âm thanh. Trong khi đó, World Labs của Fei-Fei Li đang được AMD mua lại, Amazon đang đàm phán để mua Decart và Rivian đã mua lại Third Dimension để mang lại khả năng mô phỏng nội bộ cho thử nghiệm xe tự lái.

Google rõ ràng đang cố gắng đi trước lĩnh vực đông đúc đó – và các nhà đầu tư đã nhận thấy điều đó. Báo chí đưa tin cổ phiếu của Alphabet đã tăng hơn 2% sau khi Genie 4 ra mắt, ngay trước báo cáo thu nhập hàng quý của công ty vào thứ Tư. Genie 3 tiền nhiệm đã làm rung chuyển cổ phiếu trò chơi điện tử khi nó ra mắt vào năm ngoái, khi các nhà đầu tư vật lộn với ý nghĩa rằng thế giới được tạo ra theo thời gian thực cuối cùng có thể cạnh tranh với việc phát triển trò chơi truyền thống.

Từ trò chơi đến kịch bản phim và robot

DeepMind coi mô phỏng thế giới là một bước quan trọng hướng tới AGI, tạo ra môi trường đào tạo an toàn cho robot và đặc vụ. Các trường hợp sử dụng thương mại cụ thể bao gồm chơi game, học tập tương tác và sản xuất. Một ví dụ suy đoán từ công ty: bước vào một bức tranh vẽ một cảnh lịch sử và trò chuyện với các đối tượng của nó về sự kiện được miêu tả.

Nhưng những người dùng đầu tiên đang chỉ ra một điều bất ngờ: tiền sản xuất phim. Diego Rivas, kỹ sư Google DeepMind, cho biết trong cuộc họp báo trên TechCrunch: “Khía cạnh thời gian thực trở nên có giá trị nhất trong các lĩnh vực mà việc duy trì trạng thái dòng chảy trong không gian sáng tạo trở nên vô cùng hữu ích”. "Ví dụ: trong giai đoạn lên ý tưởng, trong giai đoạn xây dựng cốt truyện — bất cứ lúc nào bạn cần lên ý tưởng nhanh chóng."

Những người thử nghiệm đáng tin cậy đã sử dụng Genie 4 để làm nguyên mẫu phim và Rivas gợi ý rằng người dùng cuối cùng có thể dựa vào Gemini Omni để biến những nguyên mẫu đó thành tài sản sáng tạo hoàn thiện, mặc dù ông nhấn mạnh rằng những khả năng đó vẫn còn rất xa vời.

Sẵn có

Genie 4 hiện đang được triển khai dưới dạng bản xem trước nghiên cứu cho một nhóm người thử nghiệm đáng tin cậy. Trong những tuần tới, nó sẽ tiếp cận những người đăng ký Google AI Ultra thông qua Project Genie — công cụ của Google để tạo thế giới tương tác từ lời nhắc bằng văn bản hoặc hình ảnh — cũng như các đối tác truy cập sớm trong API Gemini và AI Studio.

Cho dù các mô hình thế giới có trở thành sự thay đổi nền tảng tiếp theo hay vẫn là một bản demo nghiên cứu ấn tượng, Genie 4 nói rõ một điều: ranh giới giữa việc xem video do AI tạo ra và phát bên trong video đó đang dần biến mất.

Đi trước AI

Theo kịp mọi bước đột phá trong nghiên cứu và phát hành mô hình biên giới — đọc thêm tin tức AI trên AI Buzz Wire.

Nhận thông tin phát triển AI mới nhất tại đây.