Google DeepMind zaprezentował Genie 4, model sztucznej inteligencji, który oferuje interaktywną symulację w czasie rzeczywistym świata rzeczywistego, z natywnym dźwiękiem i zwiększonym realizmem. Wdrożenie rozpoczęło się w formie poglądowej dla badań wśród zaufanych testerów.
System pozwala użytkownikom generować dynamiczne środowiska i się po nich poruszać, sterując scenami w locie. W tym samym czasie model jednocześnie oblicza fizykę, zachowanie postaci i krajobrazy dźwiękowe. Sundar Pichai, prezes Alphabet i Google, określił Genie 4 jako « nasz najbardziej realistyczny i interaktywny model świata ».
Google DeepMind, brytyjsko-amerykańskie laboratorium badawcze specjalizujące się w sztucznej inteligencji, jest spółką zależną Alphabet Inc. Założone w Wielkiej Brytanii w 2010 roku, zostało przejęte przez Google w 2014, a następnie połączyło się z działem Google Brain z Google AI, tworząc Google DeepMind w kwietniu 2023 roku. Jego siedziba znajduje się w Londynie, a firma ma centra badawcze w Stanach Zjednoczonych, Kanadzie, Francji, Niemczech i Szwajcarii.
Sterowanie w czasie rzeczywistym i dźwięk generowany równolegle z obrazem
Według Google, użytkownicy mogą eksplorować symulowane środowiska za pomocą standardowych poleceń klawiatury i modyfikować uniwersum za pomocą prostych tekstowych podpowiedzi. Mogą więc zmieniać pogodę, dostosowywać kąty kamery lub wprowadzać nowe postacie i obiekty. Google wskazuje również, że Genie 4 oznacza znaczący skok pod względem precyzji fizycznej, złożonych interakcji takich jak aerodynamika, kolizje czy opór środowiska, oraz że postacie cyfrowe poruszają się i reagują natychmiast na polecenia.
Google przedstawia Genie 4 jako pierwszy model świata w czasie rzeczywistym zdolny do natywnego generowania zsynchronizowanego dźwięku, w miarę wyświetlania obrazów. Wytwarza kontekstowe tła dźwiękowe, jak szum wiatru w drzewach lub uderzanie fal, a także muzykę w tle. Obsługuje również interaktywne dialogi mówione: postacie prowadzą rozmowy i reagują na żądania użytkownika oraz wydarzenia w środowisku.
Model oparty na rodzinie Gemini
Genie 4 nie jest samodzielnym silnikiem graficznym. Opiera się na możliwościach multimodalnego rozumowania rodziny Gemini. Gemini Omni zakotwicza każdą symulację w wyglądzie i dynamice fizycznej pochodzącej ze świata rzeczywistego, podczas gdy modele rozumowania Gemini zachowują logikę sceny, aby wydarzenia zachowały spójność przyczynowo-skutkową. Model Gemini 3.8 Flash pełni rolę agenta sterującego: śledzi przychodzące obrazy, dzieli cele na etapy, sprawdza, czy każde działanie się powiodło, i dostosowuje plan, gdy tylko w scenie nastąpi zmiana lub interweniuje użytkownik.
Google podkreśla, że to połączenie pozwala modelować złożone, wieloetapowe wydarzenia oraz testować zachowanie systemów sztucznej inteligencji w różnych środowiskach przed ich wdrożeniem w świecie rzeczywistym. Firma przypomina również, że « rozumienie i symulowanie świata jest kluczowym aspektem budowania ogólnej sztucznej inteligencji (AGI) ».
Pierwsze, wciąż eksperymentalne opinie
Genie 4 pozostaje, według Google, modelem eksperymentalnym we wczesnym stadium. Wdrożenie dotyczy najpierw subskrybentów Google AI Ultra w ramach projektu Genie, a także partnerów mających wczesny dostęp do API Gemini i Google AI Studio. Google współpracowało z testerami z branży kreatywnej, dziennikarstwa, edukacji, gier wideo i inżynierii. Reżyserzy mogą na przykład wykonywać wiele ujęć tej samej sceny w czasie rzeczywistym, podczas gdy fotodziennikarze badają, jak dwuwymiarowe archiwalne zdjęcie może stać się realistyczną symulacją swojego środowiska. Inne zespoły badają wizualizację krótkotrwałych zdarzeń środowiskowych, takich jak nagła powódź lub pożar lasu.
Model wpisuje się również w prace spółki zależnej Alphabet zajmującej się autonomiczną jazdą. W lutym 2026 roku firma Waymo, należąca do Alphabet, zaprezentowała Waymo World, model, który wykorzystywał możliwości Genie 3 do budowania środowisk wirtualnych na podstawie tekstowych podpowiedzi. Ten system generował syntetyczne obrazy jazdy oraz dane dotyczące percepcji głębi, porównywalne z danymi z kamer i czujników lidar montowanych w pojazdach.
