Google DeepMind kedden kutatási előnézetként kiadta legújabb világmodelljét, Genie 4-et. A vállalat szerint az új modell eddigi legfotórealisztikusabb és leginteraktívabb virtuális világokat képes generálni: a felhasználók a futó szimuláció közben is begépelhetnek utasításokat, amelyek valós időben változtatják a jelenetet.
Mire képes a Genie 4?
- Fotórealisztikus képek és javult karaktermodellek: a vizuális részletesség jelentősen jobb az elődökhöz képest.
- Valós idejű hanggenerálás: a modell zenei aláfestést, környezeti zajokat és interaktív párbeszédeket hoz létre, amelyek illeszkednek a szimulált környezethez.
- Szabad szerkesztés futás közben: az időjárás, kameraállás, új személyek vagy tárgyak hozzáadása élő szimulációban lehetséges.
- Hosszabb állandóság: a Genie 4 képes akár két percig is következetesen tartani egy jelenetet, ami kétszerese a korábbi korlátnak.
- Jobb fizika és emberi viselkedéshez közelebb álló karakterek: a csapat szerint javult a fizikai szimuláció és a karakterek megjelenése.
Gemini integráció és robotikai kísérlet
A Genie 4 szorosabban kapcsolódik a Google Gemini modelljeihez: a Gemini a tervezésben és keretellenőrzésben működik, míg a Genie állítja elő a vizuális tartalmat. Egy, a Gemini Robotics-hez kötött kutatási kísérletben egy Gemini 4 Argon modell feladatokat bontott lépésekre, amelyeket a Genie 4 valós időben szimulált — ez azt a lehetőséget demonstrálja, hogy robotikai forgatókönyveket előbb virtuálisan lehet kipróbálni, mielőtt a valóságban végrehajtanák őket.
Tejas Kulkarni, a Google kutatási igazgatója a bemutatón úgy fogalmazott, hogy a jövőben egyre több hibrid világmodellre számítanak, ahol a Gemini kódot és szöveget ír, a Genie pedig azokat különböző absztrakciós szinteken valós időben szimulálja.
Felhasználási esetek és iparági körkép
A DeepMind által említett kereskedelmi alkalmazási területek között szerepel a játékfejlesztés, az interaktív tanulás és a robotika. Egy lehetséges oktatási példa: belépni egy történelmi jelenetet ábrázoló festménybe és a kép szereplőivel beszélgetni az eseményről.
A világmodell-ipar egyéb szereplői közül néhány fejlemény: Runway nemrég kiadta második világmodelljét, a GWM Worlds 2-t, amely szintén dinamikusan reagál a felhasználói beavatkozásokra és hangot is generál. Ugyanakkor az ipar konszolidálódni látszik: Fei-Fei Li World Labs nevű vállalkozását az AMD szerezte meg, az Amazon tárgyalásokat folytat a Decart felvásárlásáról, és a Rivian megvásárolta a Third Dimensiont, hogy belső szimulációs képességeket építsen be saját önvezető tesztelésébe.
Kísérleti státusz, korlátok és elérhetőség
A DeepMind hangsúlyozza, hogy a Genie 4 még korai fázisban van. A csapat elismerte a modellel kapcsolatos hiányosságokat: a szimulációk hosszabb futása során egyes részletek és tárgyak képi megjelenése elcsúszhat, a hang pontosságának biztosítása és a virtuális világon belüli szövegek olvashatósága továbbra is kihívást jelent.
A Genie 4 jelenleg "trusted testers" számára érhető el kutatási előnézetként. A következő hetekben a modellt a Google AI Ultra előfizetői számára is bevezetik a Project Genie keretében — ez a Google interaktív világgenerálásra szolgáló eszköze —, valamint a Gemini API és a Google AI Studio korai hozzáférésű partnereihez.
Kapcsolódó eszközök
A Google emellett rendelkezik a Veo nevű AI videógeneráló modelljével, amely szinkronizált hanggal ellátott, nagyfelbontású klipeket készít szöveg-, kép- vagy videópromptokból; a Veo egyre népszerűbb a filmkészítők körében. Diego Rivas, a Google DeepMind mérnöke szerint a Genie 4 valós idejű jellege különösen hasznos lehet a kreatív munkafolyamatoknál, például az ötletelésnél és storyboard-készítésnél, ahol fontos a folyamat fenntartása.
Rivas hozzátette, hogy a felhasználók később a multimodális Gemini Omni modellt is igénybe vehetik arra, hogy a prototípusokat kreatív eszközökké alakítsák, de ezeket a képességeket még időbe telik teljesen kidolgozni.
A Genie 4 bevezetése a DeepMind és a Google stratégiájának része, hogy a világmodellek versenyében megtartsák vezető helyüket, miközben a technológia gyakorlati alkalmazásai és a termékvégpontú élmény kialakítása még formálódik.
