27 қазанда Google DeepMind дыбысы бар интерактивті көріністер жасап, симуляция жүріп жатқанда оларды өзгертуге мүмкіндік беретін Genie 4 моделін таныстырды. Google көрсеткен мысалдарда пайдаланушы әлем ішінде қозғалып, ауа райын мәтіндік нұсқаумен өзгерте алады, ал кейіпкерлер қозғалып, сөйлеседі. Әзірге модельге шектеулі тестілеушілер тобы ғана қол жеткізген.
Google DeepMind ресми көрсетілімі: дыбысы және камераны басқару мүмкіндігі бар виртуалды көрініс.
Мен үшін мұндағы ең қызықтысы - көрініс әлі дамып жатқанда оған араласу мүмкіндігі. Google ұсынған мысалдар зерттеудің бағытын көрсетеді, ал модельдің күнделікті жұмыста қаншалықты ыңғайлы екенін қолжетімділік кеңейгеннен кейін бағалай аламыз.
Genie 4 не істей алады
Орман ішіндегі соқпақты елестетіңіз. Пернетақта арқылы қозғалып, айналаға қарай аласыз, содан кейін модельден ауа райын өзгертуді немесе жаңа нысан қосуды сұрайсыз. Google көрсетілімінде мәтіндік нұсқау көріністі бірден өзгертеді: жасалып жатқан әлем жаңа шартты ескере отырып дами береді.
Genie 4 кескінмен бірге қоршаған орта дыбыстарын, музыканы және диалогтарды жасайды. Жарияланған мысалдарда кейіпкерлер сөйлеп, айналасындағы оқиғаларға жауап бере алады. Модельдің ерекшелігі де осында: дыбыс көрініспен бірге жасалады, оны генерациядан кейін бөлек жол ретінде қосудың қажеті жоқ.
Google Genie 4-ті әлем моделі деп атайды. Мұндай жүйелер орта құрып, пайдаланушы әрекеті немесе басқа оқиғалар әсер еткенде оның қалай өзгеретінін көрсетуге тырысады. Көріністі басқару мүмкіндігі Genie 3-те де болған; төртінші нұсқаға дыбысты тікелей генерациялау қосылды. Толығырақ мысалдар Genie 4 туралы ресми хабарламада берілген.
Интерактивті әлем дайын видеодан несімен ерекшеленеді
Дайын видеода кадрлардың реті алдын ала белгіленген. Роликті қайта көруге болады, бірақ пернені басу оның ішіндегі оқиғаны өзгертпейді. Ал Google көрсеткен Genie 4 мысалында көрініс өзара әрекет кезінде жасалады: пайдаланушы қозғалыс бағытын немесе жаңа нұсқауды береді, модель соған қарай симуляцияны жалғастырады.
Оқиғалардың үйлесімді дамуына Gemini отбасының модельдері де көмектеседі. Google түсіндіруінше, Gemini нұсқауларды ағымдағы көрініс контексінде түсіндіріп, келесі қадамдарды жоспарлауға қатысады. Бұл әлемдегі әрбір зат кәдімгі ойын қозғалтқышындағы бөлек нысан сияқты жұмыс істейді деген сөз емес. Пайдаланушы үшін маңыздысы - көріністі өзгертіп, өз әрекетіне жауап көру мүмкіндігі.
Мысалы, раскадровкада күн ашық көріністің орнына жаңбыр қажет болды делік. Әдеттегі видео генераторында жаңа сұраныс дайындап, роликтің басқа нұсқасын жасау керек. Ал Genie 4 идеясы - көріністі зерттеп жүрген кезде осындай өзгеріс енгізуге мүмкіндік беру. Әзірге тәсілдің түрлі тапсырмаларда қаншалықты дәл жұмыс істейтінін Google ұсынған мысалдар арқылы ғана бағалай аламыз.
Модель әлі қай жерде қателеседі
Виртуалды әлем ұзақ өзара әрекет кезінде бөлшектерді әрдайым сақтай бермейді. Google ескертуінше, әсіресе көрініс ішінде ұзақ қозғалғанда немесе бірнеше күрделі нұсқау бергеннен кейін нысандар мен кескін өзгеріп кетуі мүмкін. Физика, кеңістіктегі орналасу, дыбыс дәлдігі және жазудың оқылуы да әлі жетілдіріліп жатыр.
Бұл жоба авторы үшін маңызды шектеу. Егер көріністе белгілі бір заттың орны немесе әрекеттердің реті шешуші болса, нәтижені мұқият тексеру қажет. Көрсетілімдегі шынайы көрінетін қозғалыс модель кез келген күрделі сценарийді бірдей дәл орындайтынын дәлелдемейді.
Genie 4 кімдерге қолжетімді
Осы жазба дайындалған кезде Genie 4 - сенімді тестілеушілерге арналған зерттеу нұсқасы. Google Project Genie арқылы Google AI Ultra жазылушыларына, сондай-ақ Gemini API мен Google AI Studio-ға ерте қол жеткізетін серіктестерге қолжетімділікті кеңейтуді жоспарлап отыр. Хабарламада кеңейтудің нақты күні де, Genie 4-тің жеке бағасы да көрсетілмеген.
Ресми хабарлама бетіндегі күту тізіміне жазылуға болады. Басқа Gemini модельдеріне немесе Project Genie-дің бұрынғы нұсқаларына қол жеткізу нақты пайдаланушыға Genie 4 қазірдің өзінде ашық дегенді білдірмейді. Бұл жазба үшін Genie 4-ті өзіміз сынаған жоқпыз.
Бұл сіз үшін нені білдіреді
Видео немесе ойын көріністерін ойластыратын адамдарға мұндай формат идея іздеу кезеңінде пайдалы болуы мүмкін: соңғы материалды дайындамай тұрып ортаны қарап, ауа райын өзгертіп, камераның басқа бұрышын көруге болады. Google симуляцияларды ИИ агенттері мен роботтарды зерттеу ортасы ретінде де қарастырады. Бұл - барлығына дайын құрал берілді деген уәде емес, зерттеу бағыты.
Егер сізге интерактивті симуляция емес, қазір дайын ролик керек болса, қолжетімді видео модельдерін немесе нейрожелімен видео жасау жөніндегі нұсқаулықты қараңыз. Мұндағы жұмыс тәртібі басқа: сұраныс бойынша ролик жасап, содан кейін шыққан нәтижені бағалайсыз.
Дереккөздер
- Google DeepMind: Genie 4: A new generation of world simulation - ресми хабарлама, мүмкіндіктері, шектеулері және қолжетімділігі; 2026 жылғы 27 қазан.
- Google DeepMind: Genie 3 - алдыңғы нұсқаның мүмкіндіктері, соның ішінде басқару және әлемдегі оқиғаларды нұсқаумен өзгерту.