DeepMind wprowadza model Genie 4 z ulepszonym realizmem w fizyce, ruchach ludzkich i dźwięku

Image: Ars Technica · Source

Nowy model świata Genie 4 od DeepMind generuje bardziej realistyczną fizykę, ruchy ludzi oraz natywny dźwięk, umożliwiając interaktywne i adaptacyjne symulacje wirtualne. Wkrótce będzie dostępny przez API Gemini Google i w ramach premium planów subskrypcyjnych AI.

Laboratorium badawcze sztucznej inteligencji DeepMind zaprezentowało Genie 4, najnowszą ewolucję swojej technologii modelu świata opartego na AI, zaprojektowaną do generowania immersyjnych, w czasie rzeczywistym środowisk wirtualnych. Następca szeroko znanego modelu Genie 3 wprowadza znaczące postępy w realizmie symulowanej fizyki, wyglądu i zachowań ludzi oraz zintegrowanego dźwięku, w tym interaktywnej mowy.

Genie 4 wykorzystuje zaktualizowany silnik rozumowania Gemini 3.8 Flash firmy DeepMind, który steruje generowaniem wirtualnych światów ramka po ramce na podstawie wskazówek użytkownika. Pozwala to na dynamiczne tworzenie treści, gdzie użytkownicy mogą zmieniać parametry, takie jak pogoda czy kąty kamery w trakcie symulacji, a Gemini kieruje tymi aktualizacjami, aby zachować spójność. Podczas gdy wcześniejsze wersje miały problemy ze spójnością po kilku minutach, Genie 4 oferuje lepsze utrzymanie kontekstu podczas eksploracji.

Jednym z wyróżniających się usprawnień jest realizm fizyczny symulacji. Według DeepMind, Genie 4 modeluje efekty aerodynamiczne i kolizje z poziomem naturalnego zachowania przewyższającym wcześniejsze materiały wideo generowane przez AI. Podobnie wirtualni ludzie wykazują teraz bardziej żywe wzorce ruchu i reakcje na środowisko, co zmniejsza efekt „uncanny valley”.

Może najbardziej godnym uwagi jest fakt, że Genie 4 jest pierwszym modelem świata DeepMind z natywną generacją dźwięku. Symulacje zawierają dźwięki otoczenia i mogą integrować wskazane przez użytkownika elementy audio. Model obsługuje też interaktywny dialog, który dynamicznie dostosowuje się do zmieniającego się środowiska wirtualnego, co stanowi znaczący krok naprzód, potencjalnie zmieniający grę w realizmie wideo AI.

DeepMind postrzega te modele świata jako kluczowe komponenty w dążeniu do bardziej zaawansowanej ogólnej sztucznej inteligencji (AGI), podkreślając zastosowania takie jak tworzenie nieskończonych scenariuszy treningowych dla robotyki oraz przyspieszanie prototypowania w branżach kreatywnych. Pomimo tych innowacji, technologia pozostaje w fazie aktywnych badań. Poprzednie modele, jak Genie 3, miały ograniczoną dostępność publiczną, a Genie 4 początkowo jest dostępny tylko dla wybranych testerów.

Google planuje rozszerzyć dostęp dla deweloperów poprzez API Gemini i AI Studio oraz zaoferować konsumentom dostęp w ramach premium subskrypcji AI Ultra zaczynającej się od 100 dolarów miesięcznie. Terminy szerszego udostępnienia nie zostały określone, planowane jest udostępnienie etapowe z listą oczekujących na wcześniejszy dostęp. Choć ceny i limity użytkowania mogą ograniczać pełny potencjał, Genie 4 zapowiada nowy etap w generowanych przez AI środowiskach wirtualnych o bogatszej sensoryce i interaktywności.