DeepMind izstrādā modeli Genie 4 ar uzlabotu fizikas, cilvēku un audio realitāti

Attēls: Ars Technica · Avots

DeepMind jaunais pasaules modelis Genie 4 ģenerē daudz reālistiskāku fiziku, cilvēku kustības un dzimto audio, ļaujot veidot interaktīvas un adaptīvas virtuālas simulācijas. Tas drīzumā būs pieejams, izmantojot Google Gemini API un premium AI abonēšanas plānus.

Mākslīgā intelekta pētniecības laboratorija DeepMind ir prezentējusi Genie 4 – jaunāko sava AI darbinātā pasaules modeļa tehnoloģijas attīstību, kas paredzēta aizraujošu, reālā laikā notiekošu virtuālo vidi radīšanai. Šis modelis, kas ir plaši atzītā Genie 3 modeļa pēctecis, ievieš būtiskas uzlabojumus simulētas fizikas, cilvēku izskata un uzvedības, kā arī integrēta audio, tostarp interaktīvas runas, realistikā.

Genie 4 izmanto DeepMind atjaunināto Gemini 3.8 Flash rezonēšanas dzinēju, lai soli pa solim vadītu virtuālo pasaļu ģenerēšanu, balstoties uz lietotāju pieprasījumiem. Tas ļauj dinamisku satura radīšanu, kur lietotāji var simulācijas laikā mainīt tādus parametrus kā laika apstākļi un kameras leņķi, savukārt Gemini vada šīs izmaiņas, uzturot saskanīgumu. Iepriekšējām versijām bija grūtības saglabāt konsekvenci ilgāk par dažām minūtēm, bet Genie 4 uzlabo konteksta uzturēšanu izpētes laikā.

Viens no izteiktākajiem uzlabojumiem ir simulāciju fiziskā realitāte. Saskaņā ar DeepMind, Genie 4 modeļi attēlo aerodinamiskos efektus un sadursmes ar dabiska uzvedības līmeni, kas pārspēj agrākās AI ģenerētās video versijas. Līdzīgi virtuālie cilvēki tagad izrāda dzīvāku kustību modeli un vides reakcijas, samazinot tā saukto „uncanny valley” efektu.

Varbūt visievērojamāk, Genie 4 ir pirmais DeepMind pasaules modelis, kas iekļauj dzimtās audio ģenerēšanu. Simulācijas ietver apkārtējās skaņas un var integrēt lietotāja norādītos audio elementus. Modelis arī atbalsta interaktīvu dialogu, kas dinamiski pielāgojas attīstošajai virtuālajai videi – tas ir būtisks solis uz priekšu AI videoreālismā.

DeepMind pozicionē šos pasaules modeļus kā būtisku elementu progresā ceļā uz plašāku mākslīgā vispārīgā intelekta (AGI) attīstību, izceļot tādus pielietojumus kā bezgalīgas apmācību situācijas robotikā un ātrāku prototipu izstrādi radošajās nozarēs. Neskatoties uz šīm inovācijām, tehnoloģija joprojām ir aktīvā pētniecības stadijā. Iepriekšējie modeļi, piemēram, Genie 3, bija ierobežoti pieejami sabiedrībai, un Genie 4 sākotnēji būs pieejams tikai izvēlētiem testētājiem.

Google plāno paplašināt piekļuvi izstrādātājiem, izmantojot Gemini API un AI Studio, un piedāvāt patērētāju piekļuvi savā premium AI Ultra abonēšanas plānā, kas sākas no 100 ASV dolāriem mēnesī. Plašāka izplatīšana vēl nav precizēta, un agrīnā piekļuve tiks pārvaldīta ar gaidlistēm un fāzētu izlaišanu. Lai gan cenu un izmantošanas ierobežojumi var ierobežot pilnīgu potenciālu, Genie 4 iezīmē jaunu posmu AI ģenerētās virtuālās vides attīstībā ar bagātāku sensoru un interaktīvo kvalitāti.