Γράφετε «άρχισε να βρέχει» την ώρα που περπατάτε σε έναν κόσμο που δεν υπήρχε πριν από λίγα λεπτά, και ο κόσμος αλλάζει επιτόπου. Αυτό υπόσχεται το Genie 4, το νέο world model της Google DeepMind, που κυκλοφόρησε την Τρίτη ως research preview, σύμφωνα με το TechCrunch.
Ένα world model, δηλαδή «μοντέλο κόσμου», δεν παίζει έτοιμο παιχνίδι. Παράγει το περιβάλλον καρέ-καρέ την ώρα που το εξερευνάτε, χωρίς προ-σχεδιασμένους χώρους ή προγραμματισμένες αλληλεπιδράσεις. Το Genie 3 είχε παρουσιαστεί πριν από ένα χρόνο και, όπως θυμίζει το Ars Technica, είχε προκαλέσει πτώση στις μετοχές εταιρειών παιχνιδιών.
Ήχος, φωνές και διάλογοι που προσαρμόζονται
Το Genie 4 είναι το πρώτο μοντέλο κόσμου της DeepMind που παράγει ήχο μόνο του: μουσική, θορύβους του περιβάλλοντος, και ομιλία. Οι χαρακτήρες συνομιλούν και αντιδρούν σε όσα κάνετε ή συμβαίνουν στον κόσμο. Η DeepMind μιλά για πιο ρεαλιστική φυσική, όπως αεροδυναμική και συγκρούσεις, και για ανθρώπους που κινούνται πιο φυσικά.
Μπορείτε να αλλάξετε τον καιρό, τη γωνία της κάμερας ή να προσθέσετε πρόσωπα και αντικείμενα την ώρα της προσομοίωσης. Μια σκηνή μένει συνεπής ως δύο λεπτά, διπλάσια διάρκεια από το Genie 3, όπως γράφει το TechCrunch.
Το Gemini ως σκηνοθέτης
Πίσω από τον κόσμο δουλεύει και το Gemini. Σύμφωνα με την DeepMind, το Gemini 3.8 Flash παρακολουθεί κάθε καρέ, σπάει τον στόχο σε βήματα και ελέγχει αν το καθένα πέτυχε. Αν παρέμβετε, προσαρμόζει το σχέδιο εκείνη τη στιγμή.
Σε πείραμα που συνδέεται με το Gemini Robotics, το Gemini 4 Argon χώρισε μια εργασία σε βήματα και το Genie 4 τα προσομοίωσε σε πραγματικό χρόνο. Η ιδέα είναι να δοκιμάζονται σενάρια για ρομπότ σε προσομοίωση πριν συμβούν στην πραγματικότητα. Ο Tejas Kulkarni, διευθυντής έρευνας στη Google, είπε ότι στο μέλλον θα δούμε «υβριδικά μοντέλα κόσμου», όπου το Gemini γράφει κώδικα και κείμενο και το Genie τα μετατρέπει σε προσομοίωση.
Από ρομπότ ως storyboard ταινιών
Οι προβλεπόμενες χρήσεις είναι τα παιχνίδια, η διαδραστική μάθηση και η ρομποτική. Οι «trusted testers», όσοι έχουν πρώτοι πρόσβαση, δείχνουν και μια νέα: προσχέδια ταινιών. Ο μηχανικός της DeepMind Diego Rivas είπε ότι η αξία βρίσκεται στη φάση της ιδέας και του storyboard, όπου χρειάζεται γρήγορη δοκιμή. Σκηνοθέτες μπορούν να μπουν σε μια ζωντανή σκηνή και να τρέξουν πολλαπλές «λήψεις», αλλάζοντας φωτισμό, διάλογο και κάμερα.
Ο Rivas πρόσθεσε ότι κάποτε το Gemini Omni θα μετατρέπει τέτοια προσχέδια σε υλικό παραγωγής, αλλά αυτό απέχει ακόμη.
Τα κενά που παραδέχεται η ομάδα
Η ομάδα λέει ότι είναι νωρίς. Λεπτομέρειες και αντικείμενα μπορεί να «ξεφεύγουν» όσο μακραίνει η προσομοίωση, και δεν έχει λυθεί ο τρόπος να είναι ακριβής ο ήχος και ευανάγνωστα τα κείμενα μέσα στον κόσμο. Δεν είναι ακόμη σαφές ούτε πώς θα μοιάζει το τελικό προϊόν.
Το Genie 4 είναι διαθέσιμο σε επιλεγμένους testers. Τις επόμενες εβδομάδες θα έρθει στους συνδρομητές Google AI Ultra μέσα από το Project Genie και σε συνεργάτες πρώιμης πρόσβασης του Gemini API και του Google AI Studio. Το Ars Technica σημειώνει ότι οι τιμές για προγραμματιστές δεν έχουν ανακοινωθεί και ότι το Ultra ξεκινά από 100 δολάρια τον μήνα.
Η κούρσα πάντως στενεύει. Η Runway παρουσίασε πριν από μερικούς μήνες το δικό της GWM Worlds 2, ενώ ο κλάδος αρχίζει να συγκεντρώνεται: η World Labs της Fei-Fei Li εξαγοράζεται από την AMD και η Amazon διαπραγματεύεται για την Decart.
Πηγή: TechCrunch
