Google DeepMind представила Genie 4: интерактивную симуляцию миров в реальном времени

Суть

Компания Google DeepMind анонсировала Genie 4 — новую модель мира, которая выводит интерактивную симуляцию в реальном времени на новый уровень реализма. Главная особенность системы заключается в ее изначальной мультимодальности: она способна одновременно генерировать визуальный ряд, окружающие звуки, музыку и интерактивные диалоги.

Это не просто генератор видео, а полноценная среда, на которую пользователь может влиять в процессе ее развития, используя текстовые подсказки и стандартное управление с клавиатуры.

Контекст

Понимание и симуляция физического мира считаются важнейшими шагами на пути к созданию общего искусственного интеллекта (AGI). Ранее генеративные модели могли создавать качественные видеоролики, но они оставались статичными и часто теряли логическую связность при длительной генерации.

Genie 4 решает эту проблему за счет глубокой интеграции с семейством моделей Gemini. В частности, Gemini Omni отвечает за реалистичный внешний вид и поведение объектов, в то время как другие модели Gemini обеспечивают сложное рассуждение, необходимое для поддержания согласованности и непрерывности симуляции.

Детали

Genie 4 предлагает четыре ключевых улучшения по сравнению с предыдущими поколениями:

Во-первых, управление в реальном времени. Пользователь может изменить погоду, переместить камеру или добавить нового персонажа прямо во время симуляции. Модели Gemini контекстуально адаптируют эти запросы и следят за тем, чтобы мир развивался логично.

Во-вторых, продвинутая физика и человеческие движения. Модель понимает аэродинамику, столкновения объектов и позволяет персонажам естественно двигаться и реагировать на окружение.

В-третьих, встроенный звук. Genie 4 является первой моделью мира от DeepMind, генерирующей аудио напрямую. Это включает шум ветра, плеск воды и, что наиболее важно, интерактивные диалоги, где персонажи реагируют на действия пользователя.

На данный момент Genie 4 запускается в статусе исследовательской версии (research preview) для доверенных тестировщиков. Первыми доступ получат подписчики Google AI Ultra в рамках Project Genie, а также партнеры с ранним доступом к программному интерфейсу (API) Gemini и Google AI Studio.

Анализ

Объединение генерации видео, физического движка и языковых моделей в единую систему открывает новые возможности для индустрии. Использование Gemini в качестве «контролера» логики симуляции позволяет избежать хаотичных изменений сцены, которые были свойственны ранним генеративным нейросетям.

Такие бесконечно вариативные и безопасные симуляции имеют огромную практическую ценность. Они могут стать идеальной тренировочной средой для обучения роботов и автономных агентов, позволяя им сталкиваться с редкими или опасными ситуациями без риска для реального оборудования.

Перспектива

Хотя модель пока доступна только узкому кругу тестировщиков для сбора обратной связи, ее архитектура указывает на будущее развитие интерактивного контента. По мере совершенствования подобных систем мы можем увидеть появление совершенно новых форматов интерактивного опыта, где граница между сгенерированным фильмом и компьютерной игрой будет полностью стерта.