Google DeepMind prezentuje model świata Genie 4 z obsługą dźwięku i mowy

Co udostępniło Google

Google DeepMind udostępniło Genie 4 we wtorek, 27 października, w ramach wersji testowej. Genie to model świata, rodzaj sztucznej inteligencji symulującej środowisko, po którym użytkownicy mogą poruszać się za pomocą klawiatury i zmieniać je za pomocą instrukcji tekstowych. Zamiast projektować każdy element z wyprzedzeniem, system generuje każdą klatkę w czasie rzeczywistym na podstawie opisu tekstowego. Pierwsza wersja jest skierowana do „zaufanych testerów”, czyli osób otrzymujących wczesny dostęp do produktów Google. Firma przedstawia tę technologię jako krok w stronę ogólnej sztucznej inteligencji, zdolnej do obsługi bardzo różnorodnych zadań wykraczających poza gry wideo.

Ścieżka rozwoju Genie

Genie 1 generował sterowalne środowiska dwuwymiarowe i został zaprezentowany w lutym 2024 roku. Genie 2 przeszedł do 3D w grudniu tego samego roku, a Genie 3, ogłoszony w sierpniu 2025 roku, umożliwił bardziej realistyczną eksplorację w czasie rzeczywistym w rozdzielczości 720p i 24 klatkach na sekundę.

Żaden z tych modeli nie był szeroko dostępny. Z Genie 3 można było korzystać poprzez Project Genie, eksperymentalną aplikację internetową łączącą model z Nano Banana Pro i Gemini. Użytkownicy musieli mieć ukończone 18 lat i posiadać subskrypcję Google AI Ultra, a eksploracje były ograniczone do 60 sekund.

Co wnosi nowa wersja

W porównaniu z Genie 3, DeepMind twierdzi, że Genie 4 poprawia symulację kolizji i aerodynamiki, a także ruchu i ludzkich reakcji. Najbardziej znaczącym dodatkiem jest natywny dźwięk, generowany wraz z obrazami i wbudowany w środowisko, taki jak szum wiatru w drzewach czy rozbijające się o brzeg fale. Model tworzy również ludzką mowę i interaktywne dialogi, dzięki czemu postacie mogą ze sobą rozmawiać i reagować na wydarzenia w symulacji. Użytkownicy mogą wpisywać polecenia w trakcie symulacji, aby zmienić pogodę, kąt kamery lub dodać nowe osoby i obiekty.

Okno spójności jest najbardziej wyraźną zmianą liczbową. Genie 4 utrzymuje spójność sceny do dwóch minut, co stanowi dwukrotność limitu poprzednika, który pozwalał na około minutę.

Genie 31

Genie 42

Genie 3

1 minuty

Genie 4

2 minuty

Dane z tekstu artykułu

Rola Gemini i znane ograniczenia

Gemini jest ściślej zintegrowane z Genie 4. System wykorzystuje możliwości Gemini Omni do poprawy realizmu i polega na Gemini 3.8 Flash jako nadzorcy, który obserwuje scenę, planuje kroki i sprawdza klatki, podczas gdy Genie tworzy wizualizacje. W eksperymencie badawczym powiązanym z Gemini Robotics system rozbił zadania na etapy, które Genie 4 symulował w czasie rzeczywistym, co stanowi potencjalny sposób testowania scenariuszy robotycznych, zanim wystąpią one w świecie fizycznym. Tejas Kulkarni, dyrektor ds. badań w Google, opisał ten kierunek podczas briefingu.

„W przyszłości będziemy coraz częściej widzieć hybrydowe modele świata, w których połączenie Gemini pisze kod i tekst”

Ograniczenia są wyraźne. Google ostrzega, że w miarę wydłużania się symulacji, szczegóły i trwałość obiektów mogą z czasem ulegać zmianom. Raporty z premiery wskazują, że model zaczyna „zapominać” to, co pokazał, po około dwóch minutach.

Zastosowania, rywale i dostęp

Google promuje Genie 4 jako narzędzie do prewizualizacji dla filmowców, prototypowania pomysłów na gry oraz budowania scenariuszy szkoleniowych dla robotów i agentów AI, którzy mogą uczyć się konsekwencji swoich działań przed podjęciem ich w świecie fizycznym. Zaufani testerzy wskazują na prototypowanie filmów jako możliwe nowe zastosowanie.

Bloomberg przedstawia premierę w kontekście obaw inwestorów, zauważając, że technologia ta zaniepokoiła inwestorów w spółki z branży gier wideo. Rynek się konsoliduje: AMD przejmuje World Labs, firmę kierowaną przez Fei-Fei Li, Amazon prowadzi rozmowy w sprawie zakupu Decart, a Rivian nabył Third Dimension, aby wprowadzić możliwości symulacji do testów autonomicznej jazdy. Runway wydał już GWM Worlds 2, grywalny model, który obejmuje generowanie dźwięku.

Genie 4 będzie „wkrótce dostępny” dla subskrybentów Google AI Ultra, a Google uruchomiło listę oczekujących, na którą można się zapisać, aby wypróbować go poprzez Project Genie.