A Google DeepMind Genie 4 világmodellje most már valós idejű hangot generál, összefüggő jelenetet tarthat akár két percig, és lehetővé teszi az emberek számára, hogy egy új utasítás beírásával újraformálják a szimulációt, ahogy az lejátszik. A rendszer ezen a héten kutatási előzetesként életbe lépett, és a Google-t előrébb mozdította a gyorsan változó mesterségesintelligencia felépítésének versenyében, amely interaktív, játszható világokat varázsol csupán egy felszólításból.
Kulcs elvitelek
- ✓A Genie 4 a Google DeepMind legújabb világmodellje, amely ezen a héten jelent meg a kutatási előzetesben
- ✓Akár két percig is megőrzi a konzisztens jelenetet, ami kétszerese a Genie 3 korlátjának
- ✓A modell valós idejű hangot generál, beleértve a zenét, a hangulatot és az interaktív párbeszédet
- ✓A felhasználók szerkeszthetik a futó szimulációt az időjárás, a kameraállás vagy az objektumok megváltoztatására vonatkozó utasítások beírásával
- ✓A bevezetés a világmodell-felvásárlások hullámát követi, beleértve az AMD World Labs-ra vonatkozó megállapodását
A szabványos mesterséges intelligencia-videogenerátorral ellentétben, amely egy rögzített klipet köp ki, a világmodell folyamatosan új képkockákat generál, válaszul arra, amit a felhasználó a szimuláción belül csinál. A Genie 4 ezt továbbviszi azáltal, hogy a jelenet közepette reagál a gépelt utasításokra, nem csak a mozdulatokra vagy a gombnyomásokra, ami megkülönbözteti az elmúlt két évben kiadott generatív videóeszközök többségétől.
Mit csinál valójában a Genie 4 világmodell
A főcím funkció a hang. A Genie korábbi verziói néma, mozgó környezeteket hoztak létre, de a Genie 4 most a zenében, a környezeti hangzásban és az interaktív párbeszédben rétegzett, amelyek megfelelnek a képernyőn zajló eseményeknek. Egy lépés a kavicson, a háttérben zajló fecsegés a piacon vagy egy duzzadó hangsáv, ahogy a jelenet hangulatot változtat, mind inkább menet közben generálható, mintsem utólag rácsavarjuk.
Ugyanilyen jelentőségteljes a szabad formájú szerkesztés. A felhasználó a szimuláció újraindítása nélkül módosíthatja az időjárást, elforgathatja a kamera szögét, vagy bedobhat egy új tárgyat vagy karaktert a jelenetbe, miközben az még fut. A Google DeepMind azt is elmondja, hogy a modell emberszerűbb karaktereket és észrevehetően jobb fizikát hoz létre, így az objektumok olyan módon mozognak és ütköznek, amely közelebb áll a valós világhoz, mint ahogyan azt a korábbi generációk kezelték.
Hogyan hasonlítható össze a Genie 4 a Genie 3-mal?
A Google valamivel több mint egy évvel korábban kiadta a Genie 3-at kutatási előzetesként, és már akkor is figyelemre méltó volt, mert egyetlen promptból lejátszható, fizikailag elfogadható világokat generált. A Genie 4 nagyjából megduplázza azt az időtartamot, ameddig egy jelenet konzisztens maradhat, körülbelül egy percről körülbelül két percre meghosszabbítja, ami azért számít, mert a világmodellek történelmileg küzdöttek azért, hogy a tárgyakat, a világítást és a karakterek pozícióit hosszú ideig stabilan tartsák.
| Képesség | dzsinn 3 | dzsinn 4 |
|---|---|---|
| Jelenet konzisztencia | Nagyjából egy perc | Akár két percig |
| Hang | Csendes generáció | Valós idejű zene, hangulat és párbeszéd |
| Közepes szerkesztés | Korlátozott | Szabad formájú prompt szerkesztések (időjárás, kamera, objektumok) |
| Fizika és karakterek | Korábbi generáció | Továbbfejlesztett fizika, emberszerűbb karakterek |
Ezen előnyök egyike sem csak a nyers vizuális hűségről szól. Egy tartós interakcióra épített rendszerre mutatnak rá, ami keményebb technikai probléma, mint egy meggyőző képkocka egyszerű megjelenítése. Ez a megkülönböztetés azt a megállapítást tükrözi, amelyet annak lefedésekor tettünk, hogy a valós idejű interfészek gyakran fontosabbak, mint a nyers feldolgozási teljesítmény, mivel egy azonnal reagáló modell sokkal használhatóbbnak tűnik, mint egy egyszerűen részletesebb.
Gyorsan konszolidáló mező
A Genie 4 egy olyan piacra érkezik, amely egyszerre zsúfolt és gyorsan csökken. Az AI videós startup, a Runway alig néhány hónappal korábban kiadta második világmodelljét, a GWM Worlds 2-t, amely egy olyan lejátszható rendszert kínál, amely dinamikusan reagál a felhasználói bevitelre, és saját hanggenerációt tartalmaz a Runway saját világmodell-platformján keresztül.
Ugyanakkor az ezt a technológiát építő független szereplők közül többet nagyobb vállalatok szívnak fel, ahelyett, hogy szembeszállnának egymással. Az AMD megegyezett a Fei-Fei Li World Labs felvásárlásáról nagyjából 8,2 milliárd dollárért, az Amazon a hírek szerint körülbelül 7 milliárd dollárért tárgyal a Decart megvásárlásáról, a Rivian pedig a közelmúltban felvásárolta a világmodell startupot, a Third Dimensiont, hogy házon belüli szimulációs képességet biztosítson az önvezetés fejlesztéséhez. Ez a minta azt a szélesebb tendenciát tükrözi, hogy a nagyvállalatok közvetlenül vásárolnak speciális mesterséges intelligencia-csapatokat, nem úgy, mint az Apple saját AI hangszerkesztő startup felvásárlásával, hogy megerősítse belső képességeit.
Miért számít ez a laboron túl
A világmodelleket a robotika, az önvezető rendszerek és a játékfejlesztés edzőtereként állítják elő, mivel végtelen számú, ellenőrizhető forgatókönyvet generálhatnak a filmezés vagy a kézi építés költségei nélkül. A szinkronizált hang és a hosszabb, szerkeszthető jelenetek hozzáadásával a Genie 4 még hasznosabbá válik ezekben az alkalmazásokban, mert a jól hangzó és két percig együtt tartó szimuláció sokkal közelebb áll ahhoz, amiből egy robot vagy autonóm jármű tanulhatna.
Van egy csendesebb tendencia is, amelyet érdemes figyelni: az AI-rendszereket egyre gyakrabban építik ki a videó mellett hang generálására és értelmezésére is, ez a váltás a történetekben látható, kezdve a mesterséges intelligencia rendszerektől, amelyek csendesen terjeszkednek a mindennapi hangzásba és videóba, egészen a világmodell-ipart átformáló felvásárlásokig. Ahogy ez a képesség kifejlődik, a szakadék a szimulált környezet és egy valóban hasznos oktatóeszköz között egyre szűkül, és a Genie 4 az egyik legvilágosabb jele annak, hogy milyen gyorsan csökken ez a szakadék.
Gyakran ismételt kérdések
Mi a Genie 4 világmodell?
A Genie 4 a Google DeepMind legújabb mesterséges intelligencia-világmodellje, egy olyan rendszer, amely interaktív, lejátszható környezetet hoz létre szöveges promptból, és lehetővé teszi a felhasználók számára, hogy benne cselekedjenek, miközben folyamatosan új kereteket generál.
Miben különbözik a Genie 4 a Genie 3-tól?
A Genie 4 valós idejű hangot ad hozzá, beleértve a zenét, a hangulatot és a párbeszédet, megduplázza a jelenetek konzisztenciáját körülbelül két percre, és lehetővé teszi a szabad formátumú szerkesztéseket a szimuláció közben, például az időjárás megváltoztatását vagy az objektumok hozzáadását, amit a Genie 3 nem támogatott.
A közönség használhatja még a Genie 4-et?
A Genie 4 kutatási előzetesként indult, ami azt jelenti, hogy jelenleg korlátozott kapacitással tesztelik, nem pedig széles körű nyilvános termékként kínálják.
Miért vásárol olyan sok cég világmodell startupokat?
A nagyvállalatok, köztük az AMD, az Amazon és a Rivian világszerte modellfejlesztőket vásároltak fel, hogy házon belül építsenek ki szimulációs képességet, mivel ezek a rendszerek értékesnek tekinthetők a robotika, az önvezető autók és más AI-alkalmazások oktatásában.