Google-ის Genie 4: სამყაროს ახალი მოდელი აუდიო მხარდაჭერითა და რეალისტური სიმულაციით

Google DeepMind-მა სამყაროს უახლესი მოდელი, Genie 4, კვლევითი მიმოხილვის (research preview) სახით წარადგინა. ეს მოდელი აქამდე არსებულთა შორის ყველაზე ფოტორეალისტურ და ინტერაქციულ გარემოს ქმნის, რაც მომხმარებლებს საშუალებას აძლევს, სიმულაციის პროცესშივე შეიყვანონ ტექსტური მითითებები (prompts) სცენის შესაცვლელად. გარდა ამისა, მოდელი რეალურ დროში აგენერირებს აუდიოს, რომელიც სიმულაციურ სამყაროს შეესაბამება — მათ შორის მუსიკას, გარემო ხმებსა და ინტერაქციულ დიალოგებს.

Genie 4-ის გამოშვება მოჰყვა AI ვიდეო სტარტაპ Runway-ს მიერ მეორე მოდელის, GWM Worlds 2-ის წარდგენას, რომელიც ასევე ინტერაქციული მოდელია და აუდიო გენერაციის ფუნქციას მოიცავს. ამავდროულად, სამყაროს მოდელების ინდუსტრიაში კონსოლიდაციის პროცესი იწყება: AMD-მ ფეი-ფეი ლის World Labs შეიძინა, Amazon-ი Decart-ის ყიდვაზე აწარმოებს მოლაპარაკებებს, ხოლო Rivian-მა Third Dimension-ი შეისყიდა, რათა სიმულაციური შესაძლებლობები ავტონომიური მართვის ტესტირებისთვის გამოიყენოს.

Genie 4 არის Google-ის მორიგი ნაბიჯი ამ კონკურენტულ სფეროში ლიდერობის შესანარჩუნებლად. კომპანიამ მისი წინამორბედი, Genie 3, დაახლოებით ერთი წლის წინ გამოუშვა. გარდა იმისა, რომ ახალი ვერსია ბევრად უფრო ფოტორეალისტურია და აუდიო მხარდაჭერა აქვს, Genie 4 იძლევა თავისუფალი რედაქტირების საშუალებას — მაგალითად, ამინდის ან კამერის კუთხის შეცვლას რეალურ დროში, ასევე ახალი ადამიანებისა თუ ობიექტების დამატებას. მოდელს შეუძლია თანმიმდევრული სცენის შენარჩუნება ორ წუთამდე, რაც წინა ვერსიის მაჩვენებელზე ორჯერ მეტია, და გვთავაზობს გაუმჯობესებულ ფიზიკასა და უფრო ადამიანურ პერსონაჟებს.

Google-ის AI მოდელი, Gemini, უფრო მჭიდროდ არის ინტეგრირებული Genie 4-თან და ასრულებს „რეჟისორის“ როლს, რომელიც გეგმავს ნაბიჯებს და ამოწმებს კადრებს, სანამ Genie ვიზუალურ მხარეს ქმნის. Gemini Robotics-თან დაკავშირებულ კვლევით ექსპერიმენტში, Gemini 4 Argon მოდელმა დავალებები ნაბიჯებად დაყო, რომლებიც Genie 4-მა რეალურ დროში გაასიმულირა. ეს ექსპერიმენტი აჩვენებს რობოტების სცენარების სიმულაციაში ტესტირების შესაძლებლობას მათ რეალურ სამყაროში დანერგვამდე.

„მომავალში სულ უფრო ხშირად ვიხილავთ ასეთ ჰიბრიდულ მოდელებს, სადაც Gemini წერს კოდსა და ტექსტს, ხოლო Genie ამ ინფორმაციას რეალურ დროში ამუშავებს და რეალობის სიმულაციას სხვადასხვა დონეზე ახდენს“, — განაცხადა ტეჯას კულკარნიმ, Google-ის კვლევითმა დირექტორმა.

გამოყენების სფეროები და პოტენციალი

სამყაროს სხვა მოდელების მსგავსად, კომერციული გამოყენების ძირითად სფეროებად გეიმინგი, ინტერაქციული სწავლება და რობოტიკა განიხილება. ინტერაქციული სწავლების ერთ-ერთი მაგალითია ისტორიული სცენის ამსახველ ნახატში „შესვლა“ და მასზე გამოსახულ პერსონაჟებთან დიალოგი მოცემული მოვლენის შესახებ.

თუმცა, „სანდო ტესტერები“ (trusted testers), რომლებიც პირველები წვდებიან Google-ის უახლეს პროდუქტებს, მიუთითებენ ახალ შესაძლებლობაზე: ფილმების პროტოტიპირებაზე.

„რეალური დროის ასპექტი ყველაზე ღირებული ხდება იმ სფეროებში, სადაც შემოქმედებითი პროცესის უწყვეტობის შენარჩუნება კრიტიკულია“, — აღნიშნა დიეგო რივასმა, Google DeepMind-ის ინჟინერმა. „მაგალითად, იდეების გენერირების ან სცენარის ვიზუალიზაციის (storyboarding) ფაზაში — ნებისმიერ დროს, როცა საჭიროა იდეების სწრაფი დამუშავება“.

Google ასევე სთავაზობს მომხმარებლებს Veo-ს, ვიდეო გენერაციის მოდელს, რომელიც ქმნის მაღალი გარჩევადობის კლიპებს სინქრონიზებული აუდიოთი. რივასის თქმით, მომავალში მომხმარებლები შეძლებენ გამოიყენონ Gemini Omni — მულტიმოდალური დიდი ენობრივი მოდელი, რათა ეს პროტოტიპები სრულფასოვან შემოქმედებით აქტივებად აქციონ, თუმცა ეს შესაძლებლობები ჯერ კიდევ განვითარების პროცესშია.

არსებული გამოწვევები

მიუხედავად მიღწევებისა, რივასმა ხაზგასმით აღნიშნა, რომ Genie 4 ჯერ კიდევ ადრეულ ეტაპზეა და უცნობია, როგორი იქნება საბოლოო პროდუქტი. გუნდმა აღიარა გარკვეული ხარვეზებიც:

• სიმულაციის ხანგრძლივობის ზრდასთან ერთად, დეტალები და ობიექტები შეიძლება „გაიფანტოს“ ან შეიცვალოს (drift).
• ჯერ კიდევ დასახვეწია აუდიოს სიზუსტის გარანტირება.
• სიმულაციურ სამყაროში არსებული ტექსტების წაკითხვადობა კვლავ გამოწვევად რჩება.