Google DeepMind atklāj Genie 4, kas reāllaikā veido interaktīvas pasaules ar skaņu

Google MI pētniecības vienība DeepMind otrdien, 27. oktobrī, paziņoja par Genie 4 – jaunu tā sauktā pasaules modeļa paaudzi, kas reāllaikā rada interaktīvas, fotoreālistiskas vides. Atšķirībā no priekšgājēja modelis vienlaikus ar attēlu ģenerē arī skaņu: fona trokšņus, mūziku un sarunas starp tēliem. Sākumā Genie 4 pieejams kā pētniecības priekšskatījums šauram uzticamu testētāju lokam.

Pasaules modeļi ir MI sistēmas, kas nevis vienkārši uzzīmē attēlu vai video, bet simulē vidi, kurā lietotājs var pārvietoties un kas reaģē uz viņa darbībām. Google tos uzskata par svarīgu soli ceļā uz vispārīgu mākslīgo intelektu, jo šādās simulācijās var droši apmācīt robotus un MI aģentus. Uzņēmums kā iespējamos pielietojumus min arī filmu un spēļu prototipēšanu, mācības un rūpniecību.

Galvenā praktiskā novitāte ir vadīšana ar parastu tekstu simulācijas laikā. Lietotājs var likt mainīt kameras skatpunktu, laikapstākļus vai pievienot jaunus tēlus un priekšmetus, neapturot simulāciju. Saskaņā ar TechCrunch un The Verge rakstīto Genie 4 spēj uzturēt saskaņotu ainu aptuveni divas minūtes, kas ir divreiz ilgāk nekā Genie 3. Simulāciju plānošanā un saskaņotības uzturēšanā tiek izmantoti Gemini saimes modeļi, The Verge min Gemini 3.8 Flash.

DeepMind uzsver, ka Genie 4 ir tā pirmais reāllaika pasaules modelis, kas skaņu rada pats, nevis pievieno vēlāk. Grūtākais esot cilvēka runa: tēli sarunājas un reaģē uz lietotāja rīcību reāllaikā. Visam modeļa radītajam video un audio būs neredzama SynthID ūdenszīme, kas ļauj atpazīt MI saturu.

Uzņēmums atklāti norāda arī uz ierobežojumiem. Ilgākās simulācijās un pēc vairākiem sarežģītiem labojumiem detaļas un priekšmeti var mainīties vai pazust, bet sarežģītas fiziskās mijiedarbības, skaņas precizitāte, salasāms teksts ainā un ilgtermiņa konsekvence joprojām ir pētniecības jautājumi. Google pārstāvji preses brīfingā atzina, ka vēl nav skaidrs, kā izskatīsies gatavais produkts.

Nozarē konkurence pieaug. TechCrunch atgādina, ka video jaunuzņēmums Runway pirms dažiem mēnešiem laida klajā savu otro pasaules modeli, bet tirgus sāk konsolidēties: AMD pārņem Fei-Fei Li dibināto World Labs, un Amazon ved sarunas par jaunuzņēmuma Decart iegādi.

Tuvākajās nedēļās Genie 4 plānots padarīt pieejamu Google AI Ultra abonentiem rīkā Project Genie, kā arī Gemini API un Google AI Studio agrīnās piekļuves partneriem. Interesentiem atvērts gaidītāju saraksts.