IT之家 10月28日情報、グーグルDeepMindは火曜日、最新のワールドモデル「Genie 4」をリリースし、現在は研究用プレビュー段階である。この最新モデルは、これまでで最もリアルでインタラクティブな仮想世界を生成でき、ユーザーはシミュレーション中にプロンプトを入力してシーンを変更できる。また、このモデルは音楽、環境音、インタラクティブな会話などを含む、仮想世界と同期したリアルタイムオーディオも生成できる。

IT之家は、Genie 4の発表数ヶ月前に、AI動画スタートアップのRunwayが、ユーザーの入力に動的に応答し、オーディオ生成をサポートするインタラクティブな世界モデル「GWM Worlds 2」を発表したことに注目した。同時に、世界モデル分野では統合の傾向が見られる。李飛飛(Fei-Fei Li)が設立したWorld LabsはAMDに買収され、アマゾンはDecartの買収を交渉中であり、Rivianは内部のシミュレーション能力を構築するためにThird Dimensionを買収した。
Genie 4をリリースし、これはGoogleが競争の激しい分野でリーダーであり続けるために取った最新の措置です。
1年以上前、Googleは前世代モデルGenie 3をリサーチプレビューとしてリリースしました。Genie 4は、画質が大幅に向上し、オーディオ機能が追加されたほか、天候やカメラアングルのリアルタイム調整、人物や物体の追加など、自由な編集操作をサポートしています。最長2分間の連続したシーンを維持でき、前世代モデルの2倍の長さであり、物理的な挙動がより優れ、仮想キャラクターは現実の人物に近づいています。
Googleの大規模モデルGeminiとGenie 4の統合度もさらに向上し、Geminiは監督役としてステップの計画とフレームの検証を担当し、Genie 4は視覚コンテンツの生成を担当します。Geminiロボットプロジェクトに関連する研究実験では、Gemini 4 Argonモデルがタスクを複数のステップに分解し、Genie 4がリアルタイムでシミュレーションを行いました。この実験は、実世界でのロボットテストの前に、シミュレーション環境で関連シナリオを検証するという実現可能なアプローチを示しています。
グーグル研究ディレクターのテジャス・クルカニは、ブリーフィングで次のように述べました。「今後、Geminiがコードとテキストを生成し、Genie 4がそれらをリアルタイムで読み取り、異なる抽象レベルで現実をシミュレートするようなハイブリッド型ワールドモデルをより多く見ることになるでしょう。」
他の世界モデルと同様に、主な商業化適用シーンにはゲーム、インタラクティブな学習、ロボティクス分野が含まれます。インタラクティブな学習の一つの想定されるケースは、ユーザーが歴史的なシーンを描いた絵画の中に入り込み、絵に描かれた人物とその記録された出来事についてやり取りするものです。
しかし、「信頼できるテストユーザー」、つまりグーグルの最先端製品を最初に体験できるユーザーたちは、映画プロトタイプ制作という潜在的な新しい用途を発見しました。
グーグルDeepMindのエンジニア、ディエゴ・リバスは、メディアブリーフィングで次のように述べました。「リアルタイム機能の価値は、一貫した創造的思考を維持する必要があるシナリオで特に顕著です。たとえば、アイデア発想段階やストーリーボード作成段階など、迅速な創造性が求められるすべてのプロセスに適用できます。」
Googleは、テキスト、画像、または動画のプロンプトから高解像度の短編映像を生成し、同期音声を自動で付与するAI動画生成モデル「Veo」も提供しています。このツールは映像クリエイターの間で人気が継続して上昇しています。
リバスは、ユーザーが今後、Gemini Omniというマルチモーダル大モデルを活用して、プロトタイプ素材を本格的な創作アセットに変換できるようになる可能性があると補足した。Geminiのマルチモーダル機能は、画像、音声、テキストを基に動画を生成できるが、彼はこれらの機能が実用化までにはまだ距離があるとも述べた。
プレゼンテーション全体を通じて、リバスはGenie 4がまだ開発の初期段階にあり、最終製品がどのような体験になるかは未定であることを繰り返し強調した。チームはまた、Genie 4にまだ課題があることを認めている:シミュレーションの実行時間が長くなるほど、詳細や物体のずれが生じやすくなり、音声を正確に保ちながら、仮想世界内のテキストを明確に読み取れるようにする確実な方法はまだ見つかっていない。
現在、Genie 4 は信頼できるテストユーザー向けに研究用プレビューを公開しています。今後数週間で、このモデルは Google AI Ultra サブスクリプションユーザー、Genie プロジェクト、Gemini アプリケーションプログラミングインターフェース(API)および Google AI Studio の早期協力者にも順次提供されます。
