Genie 4 to najnowocześniejsze dotąd narzędzie, które pozwala na generowanie wysoce fotorealistycznych i w pełni interaktywnych środowisk. Oprogramowanie umożliwia użytkownikom wpisywanie promptów w trakcie trwania symulacji, co pozwala na błyskawiczną modyfikację sceny. Nowe rozwiązanie zyskało również przełomową funkcję generowania dźwięku w czasie rzeczywistym, który dopasowuje się do wykreowanego otoczenia, obejmując muzykę, odgłosy tła oraz interaktywne dialogi.
Fotorealizm, ulepszona fizyka i edycja w locie
Premiera modelu Genie 4 to kolejny duży krok Google w rozwoju środowisk wirtualnych, następujący nieco ponad rok po udostępnieniu poprzedniej wersji, czyli Genie 3. Najnowsza odsłona charakteryzuje się nie tylko nieporównywalnie większym fotorealizmem, ale przede wszystkim niespotykaną wcześniej elastycznością. Narzędzie pozwala na swobodne edytowanie generowanego środowiska w czasie rzeczywistym. Użytkownicy mogą na bieżąco zmieniać najważniejsze parametry: pogodę, kąt ustawienia kamery, a także dodawać zupełnie nowe osoby lub obiekty bez przerywania działania programu.
Znacznej poprawie uległa również ogólna wydajność oraz spójność systemu. Model Genie 4 potrafi utrzymać logicznie połączoną scenę przez maksymalnie dwie minuty, co stanowi dwukrotne przebicie limitu znanego z poprzedniej generacji. Twórcy z Google DeepMind zadbali ponadto o udoskonalenie silnika fizyki w wirtualnych środowiskach oraz opracowali znacznie bardziej ludzkie i naturalnie zachowujące się postacie.
Współpraca na linii Gemini i Genie
Kluczowym aspektem najnowszego rozwiązania Google jest jego ścisła integracja z modelem sztucznej inteligencji Gemini. W nowej architekturze Gemini przejmuje niejako funkcję reżysera: planuje poszczególne kroki i na bieżąco weryfikuje generowane klatki, podczas gdy model Genie odpowiada za bezpośrednie kreowanie całej warstwy wizualnej.
Potencjał tej współpracy zaprezentowano między innymi w eksperymencie badawczym powiązanym z projektem Gemini Robotics. Wykorzystano w nim model Gemini 4 Argon, którego zadaniem było rozbicie złożonych czynności na mniejsze etapy, podczas gdy Genie 4 symulował te operacje na żywo. Pokazuje to obiecujący sposób na bezpieczne testowanie scenariuszy dla robotów w symulacji, zanim zostaną one przeniesione do świata rzeczywistego. Tejas Kulkarni, dyrektor do spraw badań w Google, nakreślił podczas briefingu wizję rozwoju tej technologii: w przyszłości będziemy coraz częściej obserwować hybrydowe modele świata, w których Gemini odpowiada za pisanie kodu i tekstu, a Genie przyjmuje te dane w czasie rzeczywistym i symuluje rzeczywistość na różnych poziomach abstrakcji.
Od edukacji i gier po wsparcie dla branży filmowej
Podobnie jak w przypadku innych modeli tego typu, twórcy upatrują głównych komercyjnych zastosowań Genie 4 w branży gier wideo, interaktywnej nauce oraz wspomnianej robotyce. Jednym ze spekulatywnych i pobudzających wyobraźnię przykładów użycia w edukacji może być wprowadzenie do systemu cyfrowej wersji historycznego obrazu, a następnie nawiązanie z namalowanymi na nim postaciami bezpośredniej rozmowy na temat uwiecznionych wydarzeń.
Z kolei zaufani testerzy, którzy tradycyjnie otrzymują jako pierwsi dostęp do najnowocześniejszych produktów firmy, wskazują na inne obiecujące zastosowanie: prototypowanie produkcji filmowych. Diego Rivas, inżynier pracujący w Google DeepMind, podkreślił w rozmowie z mediami, że aspekt funkcjonowania w czasie rzeczywistym staje się najbardziej wartościowy w momentach, gdy kluczowe jest utrzymanie stanu płynności w przestrzeni kreatywnej. Wskazał, w jakich obszarach może przebiegać proces twórczy: na etapie tworzenia koncepcji, podczas przygotowywania storyboardów oraz w dowolnej chwili wymagającej szybkiego generowania pomysłów.
Przedstawiciel Google DeepMind zwrócił również uwagę na inne autorskie narzędzie giganta, czyli Veo. Jest to model do generowania wideo wysokiej rozdzielczości z wbudowanym zsynchronizowanym dźwiękiem na podstawie tekstów, obrazów lub klipów, który cieszy się obecnie rosnącą popularnością wśród filmowców. Rivas dodał, że w dalszej perspektywie użytkownicy będą mogli korzystać z Gemini Omni, czyli multimodalnego modelu językowego zdolnego do tworzenia wideo na podstawie różnorodnych danych wejściowych, by przekształcać wczesne prototypy w gotowe zasoby dla twórców. Inżynier zaznaczył jednak, że na takie możliwości musimy jeszcze poczekać.
Odpowiedź na postępującą konsolidację rynku
Wprowadzenie Genie 4 to strategiczny ruch, który ma pomóc Google utrzymać pozycję lidera w zatłoczonym i dynamicznym sektorze. Najnowsza premiera ma miejsce zaledwie kilka miesięcy po tym, jak startup Runway zajmujący się wideo opartym na sztucznej inteligencji wydał GWM Worlds 2. To w pełni grywalny model, który dynamicznie reaguje na wprowadzane przez użytkownika komendy i potrafi generować warstwę dźwiękową.
Jednocześnie w branży modeli świata rozpoczyna się wyraźna fala konsolidacji. Firma World Labs, założona przez Fei-Fei Li, jest obecnie w trakcie przejęcia przez koncern AMD. Amazon prowadzi rozmowy mające na celu zakup startupu Decart, a producent pojazdów Rivian niedawno przejął spółkę Third Dimension, aby zyskać własne kompetencje symulacyjne na potrzeby testowania systemów autonomicznej jazdy.
Ograniczenia technologiczne i plany udostępnienia
Podczas spotkania z mediami Diego Rivas wyraźnie podkreślił, że prace nad modelem Genie 4 to wciąż bardzo wczesny etap i nie wiadomo jeszcze, jak będzie ostatecznie wyglądać kompleksowe doświadczenie produktowe. Zespół przyznał, że technologia posiada luki. Inżynier wskazał na następujące kwestie: rozmywanie detali i obiektów przy wydłużonym czasie trwania symulacji, problemy z odpowiednią dokładnością dźwięku oraz brak pewności co do czytelności tekstów pojawiających się wewnątrz generowanego świata.
Model Genie 4 jest obecnie dostępny na etapie podglądu badawczego dla zaufanych testerów. W nadchodzących tygodniach technologia trafi do subskrybentów usługi Google AI Ultra za pośrednictwem Project Genie – autorskiego narzędzia firmy do budowania interaktywnych światów z promptów tekstowych i obrazowych. Wczesny dostęp otrzymają również wybrani partnerzy korzystający z Gemini API oraz platformy Google AI Studio.
