Genie 4 néven új világmodellt mutatott be a Google DeepMind, amely már nem egyszerűen videókat készít, hanem valós időben bejárható és módosítható virtuális környezeteket hoz létre. A generatív mesterséges intelligencia a látvány mellett környezeti hangokat, zenét és a szereplők közötti párbeszédeket is előállíthatja, miközben a felhasználó menet közben változtathatja meg a jelenetet.
A Google DeepMind október 27-én jelentette be a Genie 4 modellt, amely elődjéhez képest részletesebb vizuális megjelenítést, természetesebb mozgást és új hanggenerálási képességeket kínál. A fejlesztés jelenleg kutatási előzetesként érhető el kiválasztott tesztelőknek. A vállalat később a Google AI Ultra előfizetői, valamint egyes fejlesztői partnerei számára is hozzáférést tervez. A Genie 4 működésének egyik legfontosabb eleme, hogy a felhasználó nem passzív néző: képes navigálni a virtuális környezetben, új utasításokat adni és befolyásolni a következő eseményeket.
A modell a Google Gemini rendszereivel együttműködve tartja fenn a virtuális világ következetességét. A Gemini a jelenet értelmezésében és az események megtervezésében segít, miközben a Genie 4 folyamatosan generálja a képi és hangalapú környezetet. Egy egyszerű szöveges utasítással például megváltoztatható az időjárás, a kamera nézőpontja vagy új szereplő helyezhető el a jelenetben. A rendszernek eközben a már létező tárgyakhoz, szereplőkhöz és eseményekhez is alkalmazkodnia kell, hogy a környezet ne essen szét minden új utasítás hatására.
A TechCrunch beszámolója szerint a Genie 4 akár két percig is képes viszonylag következetes interaktív jelenetet fenntartani, ami nagyjából kétszerese az előző modellnél említett időtartamnak. Az új rendszer natív hanggenerálást is használ, így a virtuális világban a környezeti zajok és a beszéd nem feltétlenül külön utómunka során kerülnek a képek mellé. A Google bemutatói között szerepelnek természetes környezetek, emberi szereplők és olyan helyzetek, amelyeknél a felhasználó menet közben változtatja meg az eseményeket. Ezek demonstrációk, nem a rendszer minden feladatban bizonyított teljesítményét bemutató mérések.
Olvasd el: 15 perc alatt digitalizálhat egy 100 négyzetméteres teret a Hesai új Kosmo rendszere
Eljöhet az idő, amikor egy filmjelenetet, videojátékot vagy robotikai szimulációt már nem hagyományos 3D-modellezéssel, hanem természetes nyelvű utasításokból lehet felépíteni és irányítani?
A fejlesztés egyik legérdekesebb alkalmazási területe a robotika lehet. A robotok tanításához sokféle helyzetet kell vizsgálni, miközben a valós tesztelés időigényes, költséges vagy veszélyes lehet. A Google a Gemini 4 Argon és a Genie 4 kombinációjával olyan kísérleteket mutatott be, amelyekben a nyelvi modell lépésekre bont egy feladatot, majd a világmodell interaktív környezetben szimulálja az eseményeket. A technológia hosszabb távon a filmkészítésben, videojáték-fejlesztésben és oktatási szimulációkban is segítheti a gyorsabb ötletelést és prototípuskészítést.
A Genie 4 ugyanakkor még nem képes minden helyzetben pontos fizikai szimulációt biztosítani. A Google szerint hosszabb jeleneteknél a tárgyak megjelenése és helyzete megváltozhat, a mozgások fizikailag pontatlanok lehetnek, a generált feliratok és hangok pedig hibákat tartalmazhatnak. Ez különösen fontos robotikai felhasználásnál: egy látványos virtuális környezet nem feltétlenül modellezi helyesen a valódi tárgyak tömegét, mozgását és ütközéseit. A rendszer ezért jelenleg kutatási és kreatív prototípus, nem pedig hitelesített fizikai tesztkörnyezet.
A Genie 4 megjelenése mégis újabb lépést jelent a generatív mesterséges intelligencia fejlődésében. A technológia egyre kevésbé korlátozódik különálló szövegek, képek vagy videók létrehozására, és egyre inkább összetett, a felhasználó műveleteire reagáló digitális világokat próbál megalkotni. Ha a fizikai pontosság, a hosszabb távú következetesség és a valós idejű irányíthatóság tovább fejlődik, ezek a rendszerek a digitális tartalomgyártás mellett a robotok és autonóm ügynökök tanításában is fontos szerepet kaphatnak.
Olvasd el ezt is: Valódi kódbázisokon tanult dolgozni a JetBrains új generatív mesterséges intelligencia modellje
Források: Google DeepMind, TechCrunch
CS.SZ.
