A Google DeepMind közzétette a Genie 4 részleteit, a Genie világmodell-család új generációját. A vállalat szerint a modellt jelenleg egyes, megbízhatott tesztelők számára kutatási előzetesként teszik elérhetővé, később pedig a Google AI Ultra előfizetői is hozzáférhetnek.
A Genie-sorozat célja, hogy fényképekből vagy 2D rajzokból interaktív, környezetként használható világokat hozzon létre — például fotóból interaktálható tér, vagy vázlatból videojáték-jelenet. A DeepMind közleménye négy fő fejlesztést emel ki, amelyek megkülönböztetik a Genie 4-et az előző változatoktól.
Főbb jellemzők
-
Valós idejű módosítások
- A felhasználó természetes nyelvű utasításokkal valós időben módosíthatja a szimulációt: megváltoztathatja az időjárást, mozgathatja a kamerát, vagy új személyt és tárgyat vihet be a jelenetbe. A rendszer a kontextust figyelembe véve adaptálja a promptot, hogy illeszkedjen a környezethez.
-
Fizikai és emberi viselkedés szimulációja
- A Genie 4 képes valós világbeli fizikai helyzeteket szimulálni, például aerodinamikai hatásokat és ütközéseket. Jelentős előrelépés történt az emberek viselkedésének modellezésében is: a karakterek természetesebben mozognak, organikusan reagálnak a környezetre, és valós időben irányíthatók.
-
Hangmodellezés
- A Genie 4 az első olyan valós idejű világmodell a DeepMindnál, amely natívan képes hangot generálni. Emellett bevezeti az interaktív párbeszédet, amely a pillanatnyi helyzethez igazodva reagál.
-
Komplex események szimulálása és folyamatos kalibráció
- A Genie 4-be beépítették a Gemini 3.8 Flash modellt, amely gyors „vezetőügynökként” működik a hurkon belül. Ez a modell folyamatosan megfigyeli a jelenetet, lebontja a célokat lépések sorozatára, és az érkező képkockák alapján nyomon követi az előrehaladást, ellenőrzi a lépések sikerességét. Ha a világ változik vagy a felhasználó beavatkozik, a Gemini azonnal módosítja a tervet, így megbízható kauzalitást, procedurális viselkedéseket és többlépéses következtetést tesz lehetővé.
Miért fontos ez?
A DeepMind saját bevallása szerint a technológia még nem teljesen kiforrott: a demonstrációkban megjelenő hangok néha robotikusak, és a vizualizált környezetek összességében álomszerű, konzisztencia hiányát mutathatják. Mindezek ellenére a fejlesztés iránya azt vetíti előre, hogy gépek által létrehozott, testre szabott világok sokféle szórakoztatási formát, illetve új adatmódosítási lehetőségeket tehetnek elérhetővé.
Kísérő tartalom: Tech Tales — City Race
A közlemény mellé egy rövid, képzeletbeli történet is került, "City Race" címmel. Ebben egy 2040-es években játszódó játékot mutatnak be, ahol gyermekek városokat terveznek és menedzselnek egy idegen bolygón, a játék a Dyson-szwarra épülő erőforrás-szeletet használja a komplex szimulációhoz. A történet részletezi, hogyan élnek és halnak meg százezrek szimulált elméletekben, és miként tanulnak a játékosok isteni tervezési készségeket a játék végén.
A Genie 4 bejelentése fontos mérföldkő a multimodális, valós idejű világmodellezés felé, ugyanakkor a bemutatott korlátok miatt további fejlesztésre és kifinomodásra szorul, mielőtt széles körben bevezetnék.
