Google DeepMind julkisti tiistaina Genie 4 -maailmamallin. Se luo reaaliajassa fotorealistisia ympäristöjä, joissa käyttäjä liikkuu näppäimistöllä ja joita hän voi muuttaa tekstikehotteilla kesken simulaation.
Edeltäjiinsä verrattuna suurin muutos on ääni. Genie 4 on DeepMindin ensimmäinen reaaliaikainen maailmamalli, joka tuottaa äänen itse: tuulen, aallot, musiikin ja hahmojen puheen samanaikaisesti kuvan kanssa.
Malli ei vielä ole kaikkien saatavilla. DeepMind jakaa sen ensin tutkimusesikatseluna valituille testaajille ja avaa jonotuslistan Google AI Ultra -tilaajille sekä Gemini API:n varhaisille kumppaneille. Julkistus keräsi Hacker Newsin etusivulla yli 800 pistettä, mikä kertoo kehittäjien kiinnostuksesta maailmamalleja kohtaan.
Fysiikka, ihmiset ja ääni samassa mallissa
Google DeepMindin virallisen blogin mukaan Genie 4 nostaa reaaliaikaisen simulaation realismin uudelle tasolle. Malli jäljittelee fysikaalisia ilmiöitä, kuten aerodynamiikkaa ja törmäyksiä. Esimerkkivideoissa vaahteran siemen leijuu nurmelle ja vesipisarat lentävät rikkoutuvasta vesimelonista.
Selvin harppaus koskee ihmisiä. Hahmot liikkuvat luontevasti, reagoivat ympäristöönsä ja ovat käyttäjän ohjattavissa reaaliajassa. Yksi demoista näyttää 1980-luvun japanilaisen maaseutuaseman, jonka laiturilla on tiheä väkijoukko.
Ääni syntyy samasta mallista eikä erillisestä jälkikäsittelystä. Jokaisella maailmalla on oma taustaäänensä, ja hahmot voivat keskustella ja vastata käyttäjän syötteisiin lennossa. DeepMind kutsuu interaktiivista puhetta mallin varsinaiseksi uudeksi rintamaksi.
Realismi ei ole ainoa tyylilaji. Samalla mallilla syntyy myös täysin kuvitteellisia maailmoja, kuten lasimaalauksista koottu jokimaisema tai lohikäärmekilpailu linnan yllä. Käyttäjä liikkuu niissä tavallisilla näppäimistö- ja kameraohjaimilla ja ohjaa tapahtumia kirjoittamalla.
Gemini ohjaa simulaatiota taustalla
Genie 4 nojaa Gemini-malliperheeseen. Gemini Omni sitoo simulaation todellisen maailman ulkonäköön ja käyttäytymiseen, ja muut Gemini-mallit huolehtivat päättelystä, joka pitää tapahtumat johdonmukaisina.
Käytännössä Gemini 3.8 Flash toimii agenttina simulaation silmukassa. Se seuraa syntyvää kuvaa, pilkkoo tavoitteen vaiheiksi ja tarkistaa saapuvista kuvista, onnistuiko kukin vaihe. Kun käyttäjä vaihtaa säätä tai tuo kohtaukseen uuden henkilön, Gemini sovittaa kehotteen ympäröivään maailmaan.
DeepMind on kokeillut myös Gemini 4 Argonin ja Genien yhdistelmää robotiikassa. Demossa Argon jakaa tehtävän vaiheisiin, ja Genie 4 simuloi niiden pohjalta Apptronikin Apollo-humanoidia pelaamassa tammea.
Yhtiö kuvaa suuntaa hybridimaailmamalleiksi. Kieli- ja koodimallit vastaavat rakenteesta ja tapahtumien aikajanasta, kun taas Genie piirtää maailman kuvapiste kerrallaan ja päättää, miltä se näyttää ja kuulostaa.
Testaajat kokeilevat elokuvista koulutusympäristöihin
DeepMind on antanut Genie 4:n testaajaryhmille luovilta aloilta, journalismista, koulutuksesta, pelialalta ja insinöörityöstä. Elokuvantekijät käyttävät mallia esivisualisointiin. He voivat astua kohtaukseen ja kuvata useita ottoja vaihtaen kamerakulmaa, valaistusta ja dialogia reaaliajassa.
Kuvajournalistit testaavat, miten yksittäisestä arkistovalokuvasta syntyy sekunneissa tutkittava ympäristö. Samaa tekniikkaa kokeillaan lyhytkestoisten ilmiöiden, kuten tulvan tai maastopalon, havainnollistamiseen.
Pelinkehittäjille malli tarjoaa nopean tavan siirtyä ideasta pelattavaan prototyyppiin ennen yhdenkään pelimoottorin koodirivin kirjoittamista. Yrityskumppanit puolestaan arvioivat Genie 4:ää skenaarioiden generointiin.
Pidemmän aikavälin tavoite on agenttien ja robottien koulutus. DeepMindin mukaan maailman ymmärtäminen ja simulointi on keskeinen osa yleisen tekoälyn rakentamista, ja loputtoman vaihtelevat simulaatiot tarjoavat turvallisen harjoitusalustan ennen todellista maailmaa.
Rajoitukset ja saatavuus
DeepMind kutsuu Genie 4:ää itsekin varhaiseksi ja kokeelliseksi malliksi. Ympäristöt pysyvät yhtenäisinä lyhyissä istunnoissa, mutta yksityiskohdat ja esineiden pysyvyys voivat liukua, kun simulaatio jatkuu pitkään tai kehotteita muokataan monta kertaa.
Avoimiksi tutkimuskohteiksi yhtiö listaa monimutkaiset fysikaaliset vuorovaikutukset, reaaliaikaisen äänen tarkkuuden, luettavan tekstin piirtämisen, tilallisen tarkkuuden ja pitkän aikavälin johdonmukaisuuden.
Kaikkiin Genie 4:n tuottamiin videoihin ja ääniin upotetaan SynthID-vesileima, joka auttaa tunnistamaan tekoälyn tuottaman sisällön. Ennen esikatselua malli kävi läpi sisäiset turvallisuusarvioinnit.
Laajempi julkaisu alkaa Google AI Ultra -tilaajista Project Genie -palvelussa sekä Gemini API:n ja Google AI Studion varhaisista kumppaneista. Tarkkaa aikataulua tai hinnoittelua DeepMind ei kertonut.
Yhteenveto
Genie 4 yhdistää ensimmäistä kertaa reaaliaikaisen maailmasimulaation, natiivin äänen ja puhuvat hahmot samaan malliin. Gemini toimii taustalla ohjaajana, joka pitää tapahtumat johdonmukaisina ja reagoi käyttäjän kehotteisiin. Yhdistelmä tuo maailmamallit lähemmäs työkalua, jolla kohtausta voi säätää kuin kuvauspaikalla.
Suurin osa käyttäjistä joutuu vielä odottamaan, sillä malli on toistaiseksi vain testaajien käytössä. Elokuva-, peli- ja robotiikkatiimeille se tarjoaa kuitenkin jo nyt esimakua siitä, miten prototyyppejä ja koulutusympäristöjä voi rakentaa pelkillä kehotteilla.
Ratkaisevaa on, pysyvätkö maailmat koossa pidempään kuin muutaman minuutin. DeepMind myöntää esineiden pysyvyyden ja pitkän aikavälin johdonmukaisuuden olevan yhä kesken. Niiden kehitys määrää, kasvaako Genie 4:stä tuotantotyökalu vai jääkö se vaikuttavaksi tutkimusdemoksi.