Google DeepMind представи Genie 4 - експериментален модел с изкуствен интелект, който създава интерактивни виртуални светове в реално време и позволява на потребителя да ги променя, докато симулацията върви.

За разлика от обичайните AI генератори на видео, при които резултатът е предварително създаден клип, Genie 4 се опитва да поддържа среда, в която потребителят може да се движи, да сменя гледната точка, да добавя предмети и персонажи или да променя времето с текстови команди. Системата генерира едновременно и звук - музика, околни шумове и диалог между персонажите.

В демонстрациите на DeepMind потребителят управлява движението и камерата с обикновена клавиатура, а сцената може да бъде променяна с команди на естествен език. Така например времето може да се смени в движение, в сцената да бъде добавен нов човек или предмет, а камерата да бъде преместена, без симулацията да спира.

Google описва Genie 4 като най-реалистичния и интерактивен "world model", който компанията е създавала досега. Системата използва модели от семейството Gemini, като Gemini Omni помага за визуалното и поведенческото сходство с реалния свят, а други модели следят логиката и последователността на симулацията.

Не видео, а свят, който реагира

Това е и основната разлика между Genie 4 и традиционните генератори като Veo, Sora или други системи за AI видео.

При видеогенераторите потребителят задава описание и получава клип. При Genie идеята е самата среда да продължава да съществува и да реагира на следващите действия.

Потребителят може например да тръгне през генериран пейзаж, да промени времето, да добави нов персонаж и след това да продължи да се движи в същия свят. Между отделните команди системата се опитва да запази логиката на случващото се и да продължи сцената по последователен начин.

DeepMind показва примери с полет върху дракон, пътуване през ледени пейзажи, градски сцени, роботи и фотореалистични хора.

Моделът може да генерира и диалог в движение. Персонажите реагират на действията в средата и на въведените от потребителя команди. Това е първият модел от серията Genie, който създава звук директно като част от симулацията.

Две минути относително стабилен свят

Технологията обаче все още е далеч от идеята за безкраен виртуален свят.

Според TechCrunch Genie 4 може да поддържа относително последователна сцена за до около две минути - двойно повече спрямо предишното поколение Genie 3.

След това могат да започнат типичните проблеми на генеративния AI.

Предмети могат да променят форма или местоположение, детайли да изчезват, а пространството постепенно да губи логическата си последователност. Самата Google признава, че "постоянството" на обектите и визуалните детайли все още може да се нарушава, особено при по-дълги симулации или след множество промени на сцената.

Проблеми има и с изписването на четим текст, сложните физически взаимодействия и точността на аудиото.

Компанията подчертава, че Genie 4 остава експериментална технология, а не завършен продукт.

Може ли AI да разбере физиката?

Една от по-амбициозните заявки на Google е, че Genie 4 е по-добър и в симулирането на физически процеси.

Компанията демонстрира сблъсъци, движение на тела, аеродинамика и взаимодействия между хора и предмети. Според DeepMind новият модел се справя по-добре и с естественото движение на хора.

Това обаче не означава, че Genie 4 действително представлява физически точен симулатор.

DeepMind не представя независими доказателства, че моделът спазва надеждно физическите закони при сложни или продължителни сценарии. В собственото си описание компанията изрично посочва, че сложните физически взаимодействия остават област, в която е необходима допълнителна работа.

От видеоигри до роботи

Потенциалните приложения са значително по-широки от генерирането на красиви виртуални пейзажи.

Една от очевидните области е разработката на видеоигри. Вместо дизайнер или програмист първо да изгражда среда с код и 3D инструменти, Genie може да бъде използван за бързо създаване на прототип на свят, който веднага може да бъде изследван.

Google посочва и киното. Режисьори и дизайнери могат да използват системата за предварителна визуализация на сцени - да сменят осветление, движение на камерата, персонажи и диалог още преди реални снимки.

Но може би най-сериозното приложение е в роботиката.

Google експериментира със свързването на Genie 4 с Gemini 4 Argon. В един от примерите Gemini разделя задача на отделни стъпки, а Genie симулира как робот изпълнява всяка от тях. Идеята е бъдещи роботи или автономни системи да могат да бъдат обучавани и тествани в огромен брой виртуални сценарии, преди да бъдат пуснати в реалния свят.

Засега - само за избрани

Genie 4 все още не е свободно достъпен.

Google го пуска първоначално като research preview за ограничен кръг доверени тестери. Следващата стъпка е достъп за абонати на Google AI Ultra чрез Project Genie, както и за избрани партньори чрез Gemini API и Google AI Studio.

Компанията не е обявила конкретна дата за масовото му пускане.

Google посочва и че всички видео- и аудиоматериали, генерирани от Genie 4, ще съдържат SynthID - невидимия воден знак на компанията за идентифициране на AI съдържание.