A Google sokféle modellen dolgozik a generatív mesterséges intelligenciát meglovagolva, és a vállalat egyik igazán különleges projektje a Genie világmodell. Ezt először tavaly nyáron kapta fel igazán a nagyközönség, amikor a cég elindította a Genie 3-at az interaktív grafikus tér létrehozásának lehetőségével, most pedig megérkezett az új verzió, ami fontos lépést tesz előre.
A DeepMind csapata által fejlesztett Genie 4 az eddigi legjobb világmodell. Ez az eszköz már olyan interaktív környezeteket hoz létre, amelyeket a felhasználók természetes nyelvi utasításokkal fedezhetnek fel és módosíthatnak valós időben. Minden egyes változtatás a szimuláció előrehaladtával azonnal kifejti a hatását, és úgy alakítja az élményt, ahogyan csak a felhasználó szeretné.
Az előző generációkhoz képest a Genie 4 a képpel párhuzamosan már arra is képes, hogy natív hangokat és párbeszédeket hozzon létre, ezzel kiteljesítve az élményt.
Mint az ismeretes, a Genie 4 nem hagyományos videógeneráló modell, hanem egy interaktív szimulátor, nagyon hasonlít ahhoz, mintha egy játékba lépne be az ember. A felhasználó egy tetszőleges prompt megadása után azonnal elmerülhet a generált világban, ahol billentyűzettel és egérrel vezérelheti a mozgást és a nézőpontot. Teljesen körül lehet nézni, be lehet járni a teret, ameddig a szimuláció tart.
Az új Genie modell leglátványosabb képessége az “élő irányítás”, hogy a felhasználó a szimuláció futása közben beírt szöveges utasításokkal menet közben módosíthatja a környezetet. Ezzel lehet folyamatosan bővíteni a virtuális teret, de befolyásolható az egész környezet, például nyílt terepen lehet változtatni akár az időjárást, akár a napszakot. Parancsokkal kell váltani a kameraállást is, és így juthat hozzá a felhasználó új eszközökhöz. Kicsit olyan, mint amikor a GTA-ban elkezdi a cheat kódokat gépelni az ember.
Az átdolgozott architektúrának és a technológia fejlesztésének köszönhetően az eddiginél tovább lehet egy világot futtatni, viszont még mindig nagyon rövid időről beszélhetünk. Mindössze két percük lesz a felhasználóknak, eddig tudja garantálni az elképzelt jelenet stabilitását és koherenciáját a Genie 4. Ez a duplája annak, mint amire a Genie 3 képes volt tavaly. Persze hozzá kell tenni, hogy valójában sokkal tovább is el lehetne már időzni a szimulációkban, csak akkor jönnek a hibák, a kontextusvesztések, és így tovább, ezért a Google itt nem a tokenekkel, hanem az idővel limitálja a lehetőségeket.
A Genie 4-nél bevezetésre kerülő hanggenerálás révén minden virtuális térnek egy önálló akusztikai környezete lesz. A szimulációban a szél zúgása, a folyó víz csobogása és a lépések zaja valós időben keletkezik a cselekedetekhez igazodva. Ennek köszönhetően sokkal élethűbb lesz a szimulációban eltöltött idő, jobban beszippantja majd a virtuális tér az embereket. Ha több ember van egy jelenetben, a karakterek nem némán fognak járkálni, hanem beszélgetésbe elegyedhetnek, a felhasználót is megszólíthatják. Az interaktivitás már a csevegésre is ki fog terjedni, és a szóban elhangzott dolgok is befolyásolni fogják a világ alakulását.
Nagyon fontos, hogy van élethű fizika is gravitációval, kölcsönhatásokkal. A Genie 4 világmodell szimulálja a tárgyak ütközésének eredményét, a szél és a fák kölcsönhatását, de még a víz mozgását is. Ha egy falevél a vízbe esik, az is meg fogja törni a felszínt, és hang is társul majd ehhez, de ha a felhasználó gázol bele egy tóba, az jár majd igazán nagy zajjal és komoly hullámokkal.
A DeepMind kutatói a Genie 4 stabil működéséhez szinte az összes fontosabb Gemini modellt mozgósítják. A Gemini Omni hozza létre a képi világ számos elemét, például a textúrákat és a valósághű viselkedési mintákat. A Gemini 3.8 Flash a szimuláció belső ügynökeként a háttérből folyamatosan figyeli a generált képkockákat, ellenőrzi a felhasználói célokat, és segít fenntartani a térbeli állandóságot, megelőzve a világ szétesését.
Kísérleti jelleggel a Gemini 4 Argont is beemelték a Genie 4 működésébe a kutatók. Ezzel hoztak létre olyan igazán bonyolult szimulációkat, amelyekben egy robot teljesen élethű módon mozgott, ahogy a valóságban is mozognának a különböző végtagjai. Lényegében a robot számára létrehoztak egy digitális ikerpárt különböző helyzetek szimulálására, és ezzel képesek tanítani is a gépet. Ez nem fikció, az Apptronik Apollo robot tanításához a Genie 4 tényleg hozzájárult ilyen formában.
A Google DeepMind kutatói szerint a világmodellek fejlesztése a mesterséges általános intelligencia (AGI) elérésének egyik alapvető lépcsőfoka. Ez nagyban hozzájárulhat majd a jövőben a robotikához, az ügynökökhöz, a kreatív iparhoz (filmgyártás) és a játékfejlesztéshez egyaránt.
Azt is elmondta a beszámolójában a fejlesztőcsapat, hogy a technológia még messze van az általános alkalmazhatóságtól. Sok idő kell még ahhoz, hogy valaki úgy üljön le a PC-je elé, hogy nem a kedvenc játékát indítja el, hanem a pillanatnyi elképzelésének megfelelően promptolni kezdi a saját világát, vagy egy filmet alkot meg ezzel a technológiával. A hosszabb jelenetek és a sorozatos módosítások a széteséshez vezetnek. A szövegekkel még küzd a Genie 4 is, valamint az összetett fizika sem megy neki, csak ha leírják, minek kell történnie.
A visszaélések megakadályozására a Genie 4 által generált valamennyi videó- és hangsáv megkapja a Google “láthatatlan” SynthID digitális ujjlenyomatát. Ennek köszönhetően elkerülhetők – vagy legalábbis csökkenthetők – a visszaélések, mert a közösségi felületek, ahol ezeket a tartalmakat terjeszteni lehetne, meg fogják jelölni az anyagokat.
A Genie 4 jelenleg korlátozott hozzáféréssel, kutatási előzetesként tehető próbára. A szélesebb körű bevezetés szakaszosan történik majd, és minél többet fizet valaki, annál előbb érheti el, ami valószínűleg senkit nem fog meglepni. Először a Google AI Ultra előfizetőknek lesz hozzáférése, de még nekik is várólistán kell sorban állniuk.
