IT之家, Oktubre 28 – Ipinakilala ng Google DeepMind noong Martes ang pinakabagong world model na Genie 4, na kasalukuyang nasa pagpapakilala sa pananaliksik. Ang pinakabagong model na ito ay makapagpapagawa ng pinakamakatotohanang at interaktibong virtual world hanggang sa ngayon, kung saan ang mga gumagamit ay maaaring mag-input ng mga prompt upang baguhin ang mga eksena habang nagpapatakbo ang simulasyon. Maaari rin ng model na ito na lumikha ng real-time audio na kasabay ng virtual world, kasama ang musika, mga environmental sound, at interaktibong usapan.

Napansin ng IT Home na ilang buwan bago ang paglalabas ng Genie 4, ang AI video startup na Runway ay naglunsad ng kanilang pangalawang world model, ang GWM Worlds 2, isang interactive model na nakakasagot nang dinamiko sa mga input ng user at sumusuporta sa audio generation. Samantala, umuunlad ang trend ng pagkakaisa sa larangan ng world models. Ang World Labs na itinatag ni Fei-Fei Li ay kinuha ng AMD, ang Amazon ay nagsasagawa ng mga pag-uusap para sa pagkuha kay Decart, at ang Rivian ay bago lamang kinuha ang Third Dimension upang bumuo ng sariling simulation capability para sa pagsubok ng autonomous driving.
Ipinakilala ang Genie 4, ang pinakabagong hakbang ng Google upang manatili sa lider sa napakasalungat na larangan.
Isang taon at marami ang nakalipas noong ipinakilala ng Google ang nakaraang bersyon ng modelong Genie 3 sa anyo ng research preview. Bukod sa mas malaking pagpapabuti sa realismo ng imahe at pagdaragdag ng kakayahan sa audio, suportahan ng Genie 4 ang libreng pag-edit, tulad ng pagbabago sa panahon, angle ng camera, o pagdaragdag ng mga tao at bagay sa real-time. Maaari itong magpanatili ng magkakasunod-sunod na scene hanggang dalawang minuto—dalawang beses ang haba ng nakaraang modelong ito—na may mas mahusay na physics at mas totoong mga virtual na karakter.
Ang integrasyon ng malalaking modelo ng Google, ang Gemini at Genie 4, ay mas nagpapalalim pa; ang Gemini ay katulad ng direktor na responsable sa pagpaplano ng mga hakbang at pag-verify ng mga frame ng imahe, habang ang Genie 4 ay responsable sa pagbuo ng mga visual na nilalaman. Sa isang eksperimentong pananaliksik na may kinalaman sa proyektong robot ng Gemini, ang Gemini 4 Argon model ay naghihiwalay sa mga gawain sa maraming hakbang, na sinundan ng real-time na simulasyon ng Genie 4. Ipinakita ng eksperimentong ito ang isang maaaring solusyon: bago isagawa ang pagsubok sa robot sa totoong mundo, muna nang i-verify ang mga skenaryo sa isang simulation environment.
Sinabi ni Tejas Kulkarni, direktor ng pag-aaral ng Google, sa isang briefing: “Sa darating na panahon, mas marami tayong makikita na mga hybrid world model na ito, kung saan ang Gemini ang sumusulat ng code at teksto, habang ang Genie 4 ay tumutuklas nang real-time sa mga nilalaman na ito at nagpapakita ng realidad sa iba’t ibang antas ng abstraktsyon.”
Tulad ng iba pang mga world model, ang pangunahing mga aplikasyon para sa komersyalisasyon ay kasama ang mga laruan, interactive learning, at robotics. Isang halimbawa ng interactive learning ay ang pagpasok ng isang user sa isang pintura na naglalarawan ng isang historical scene, at ang pag-uusap nito sa mga karakter sa pintura tungkol sa mga pangyayari na nailalarawan dito.
Gayunpaman, ang mga “trusted testers” o mga unang user na makakapag-experience sa mga pinakabagong produkto ng Google, ay nakakita ng isang potensyal na bagong gamit: paggawa ng movie prototype.
Sinabi ni Diego Rivas, engineer ng Google DeepMind, sa isang media briefing: "Ang halaga ng real-time feature ay lalong nakikita sa mga sitwasyon kung де kailangan ng patuloy na pagpapanatili ng malikhaing ideya, tulad ng mga yugto ng pagbuo ng ideya at paggawa ng storyboard—lahat ng mga bahagi na nangangailangan ng mabilis na pagpapalabas ng kreatibong ideya."
Ginawa rin ng Google ang Veo, isang AI video generation model na nakakagawa ng malinaw na maikling pelikula batay sa teksto, larawan, o video prompt, kasama ang sync audio—at patuloy na tumataas ang popularty nito sa loob ng komunidad ng mga gumagawa ng pelikula.
Idinagdag ni Rivas na ang mga user ay maaaring magkaroon ng kakayahang i-convert ang mga prototype materials sa mga opisyal na nilikhang asset sa pamamagitan ng Gemini Omni, ang maraming modal na malaking modelo, na makakagawa ng video batay sa imahe, audio, at teksto. Gayunpaman, binanggit niya na ang mga kakayahang ito ay may malaking layo pa mula sa pagpapatupad.
Sa buong briefing, paulit-ulit ni Rivas na binigyang-diin na nasa maagang yugto pa ang Genie 4, at hindi pa nakakatukoy kung ano ang huling karanasan ng kompletong produkto. Tinanggap din ng team na may mga kakulangan pa ang Genie 4: habang mas mahaba ang simulation, mas madalas ang pagkakamali sa detalye at mga bagay; hindi pa nila natuklasan ang tiyak na paraan upang siguraduhin ang tumpak na audio habang pinapanatili ang malinaw na teksto sa loob ng virtual na mundo.
Kasalukuyang bukas ang research preview ng Genie 4 sa mga nakikilalang tester. Sa susunod na ilang linggo, ang modelo ay magiging available sa mga subscriber ng Google AI Ultra, sa mga miyembro ng Genie project—isang AI tool na itinatag ng Google na naglilikha ng interaktibong virtual world batay sa text o image prompts—at sa mga maagang kakaibigan ng Gemini Application Programming Interface (API) at Google AI Studio.
