Как сообщает TechCrunch, Google DeepMind выпустила во вторник в исследовательском превью Genie 4 — новую «мировую модель» ИИ. Так называют системы, которые в реальном времени генерируют интерактивные симуляции окружения и реагируют на действия пользователя — в отличие от видеогенераторов, отдающих заранее собранный ролик.
Genie 4 заметно реалистичнее предшественницы Genie 3, вышедшей чуть более года назад, и получила звук: музыка, фоновые шумы и диалоги синхронизируются с происходящим на экране. Прямо во время симуляции можно вводить текстовые команды — менять погоду, ракурс камеры, добавлять персонажей и объекты. Сцена сохраняет согласованность до двух минут — вдвое дольше, чем у Genie 3, — а физика и проработка персонажей улучшились.
Модель теснее интегрирована с Gemini, которая выступает «режиссёром»: планирует шаги и проверяет кадры, пока Genie создаёт изображение. В эксперименте в рамках программы Gemini Robotics Gemini разбивала задачи на шаги, которые Genie 4 отрабатывала в симуляции в реальном времени — так можно проверять сценарии для роботов до их запуска в реальном мире.
«В будущем мы всё чаще будем видеть гибридные мировые модели: Gemini пишет код и текст, а Genie в реальном времени превращает их в симуляцию реальности на разных уровнях абстракции», — сказал на брифинге директор по исследованиям Google Теджас Кулкарни. Выпуск Genie 4 — попытка Google удержать позиции в нише, где пару месяцев назад стартап Runway представил вторую версию своей модели GWM Worlds 2, также реагирующую на действия пользователя и генерирующую звук. Рынок консолидируется: World Labs Фей-Фей Ли поглощается AMD, Amazon ведёт переговоры о покупке Decart, а автопроизводитель Rivian приобрёл Third Dimension ради симуляций для тестирования беспилотного вождения.
Заявленные коммерческие применения — игры, интерактивное обучение и робототехника, но ранние тестировщики Google указывают на новый сценарий — прототипирование кино: быструю проверку идей и сторибордов до съёмок. «Реальное время ценнее всего там, где нужно сохранять творческий поток — например, на этапах генерации идей и сторибординга», — рассказал инженер Google DeepMind Диего Ривас. По его словам, в перспективе прототипы можно будет превращать в готовые материалы с помощью мультимодальной модели Gemini Omni, но эти возможности пока далеки от релиза.
В Google признают сырость продукта: при длительной симуляции детали и объекты теряют согласованность, а точность звука и читаемость текста внутри миров ещё не решены. Сейчас Genie 4 доступна доверенным тестировщикам; в ближайшие недели модель получат подписчики тарифа Google AI Ultra в сервисе Project Genie и ранние партнёры Gemini API и Google AI Studio.
