Google DeepMind Genie 4: mit tud az új világmodell, és mire jó egy AI-val generált, bejárható világ?
A Google DeepMind új modellje szöveges utasításból valós időben bejárható, hangos virtuális világot épít, amely a The Verge és a TechCrunch szerint nagyjából két percig marad egyben. Elmagyarázzuk, mi az a világmodell, mit állít róla a Google, és ki próbálhatja ki.
A Google DeepMind október 27-én mutatta be a Genie 4-et, a cég legújabb úgynevezett világmodelljét. Röviden: olyan mesterségesintelligencia-rendszer, amely szöveges utasításból bejárható, valós időben reagáló virtuális környezetet hoz létre, és ezt a környezetet menet közben, újabb utasításokkal lehet alakítani. A Genie 4 a Google szerint már hangot is generál, és a The Verge, valamint a TechCrunch összefoglalója alapján nagyjából két percig tartja egyben a jelenetet, kétszer annyi ideig, mint az elődje. Az alábbiakban elmagyarázzuk, mi az a világmodell, mit állít a Google az új változatról, mire lehet jó, és ki próbálhatja ki.
Mi az a világmodell?
A megszokott képgeneráló vagy videógeneráló modellek kész anyagot adnak: egy képet vagy egy néhány másodperces klipet, amelybe utólag nem lehet belenyúlni. A világmodell ehhez képest egy szimulációt állít elő, amelyben mozogni lehet. A felhasználó például billentyűzettel lépked előre, fordul, és a modell képkockáról képkockára kiszámolja, mit kellene látnia, a korábbi képek alapján.
A DeepMind blogja szerint a Genie 4 valós idejű, interaktív szimulációra készült. A cél az, hogy a modell ne csak szép képet rajzoljon, hanem következetes világot: ha elfordulsz, majd visszanézel, ugyanaz legyen ott, ahol hagytad, és a tárgyak a fizika szabályai szerint viselkedjenek. Ez az, ami a technológiát nehézzé teszi, és ami miatt a kutatók szerint a robotika és a szimulációs tanítás számára is érdekes lehet.
Mit tud a Genie 4 a Google szerint?
Az alábbi képességek a Google DeepMind saját közlései; független mérés vagy széles körű kipróbálás egyelőre nem áll rendelkezésre.
- Hosszabb összefüggő jelenet: a The Verge szerint a Genie 4 körülbelül két percig tartja konzisztensen a világot, a Genie 3 nagyjából egy perce helyett. A TechCrunch szintén a kétszeres hosszt emeli ki.
- Hang: a DeepMind szerint a modell natívan multimodális, vagyis zenét, környezeti hangokat és interaktív párbeszédet is generál a képhez.
- Menet közbeni irányítás: szöveges utasítással lehet változtatni például az időjáráson vagy a kameranézeten, illetve új szereplőket és tárgyakat lehet behozni, miközben a billentyűzettel tovább lehet közlekedni.
- Valósághűbb fizika és szereplők: a cég szerint a mozgás és az emberszerű karakterek viselkedése is hihetőbb lett.
A DeepMind azt írja, hogy a Genie 4 a Gemini modellcsaládra épül. A blog szerint a Gemini Omni a valós világ kinézetéhez és viselkedéséhez igazítja a szimulációt, egy Gemini 3.8 Flash modell pedig közben folyamatosan figyeli a jelenetet. Ez a modell a cég leírása szerint a kitűzött célt lépésekre bontja, a beérkező képkockákon ellenőrzi, sikerült-e egy-egy lépés, és ha a felhasználó közbeavatkozik, menet közben módosítja a tervet. Ha valaki egy rövid utasítást ír be, a Gemini azt a környező jelenethez igazítja.
Ezt is olvasd el: Google AI-mód: így nyitod meg 3 módon, és ebben más, mint az AI-alapú áttekintés
A Google azt is írja, hogy a Genie 4 minden kimenetét SynthID vízjellel látja el. Ez egy észrevehetetlen digitális jelölés, amely a cég szerint segít azonosítani, hogy egy videó vagy hang mesterséges intelligenciával készült.
Mire lehet jó egy ilyen modell?
A DeepMind szerint a modellt a kreatív ipar, az újságírás, az oktatás, a játékfejlesztés és a mérnöki munka területéről kiválasztott partnerek használták eddig. A cég ezeket a felhasználási módokat emeli ki:
- Film: a jelenetek előzetes megtervezése. A blog szerint a filmesek „belesétálhatnak” egy jelenetbe, és több felvételt is kipróbálhatnak más kameraszöggel, fénnyel vagy párbeszéddel.
- Archívumok és hírek: fotóriporterek azt próbálják, hogyan válhat egy régi, kétdimenziós archív fényképből bejárható szimuláció, vagy hogyan lehet szemléltetni egy villámárvíz vagy erdőtűz lefolyását.
- Játékfejlesztés: játékötletek gyors prototípusa, mielőtt bárki megírná a valódi programot.
- Szimuláció és robotika: a DeepMind bemutatott egy kísérletet, amelyben a Gemini 4 Argon modell és az Apptronik cég Apollo nevű humanoid robotja a Genie 4 által generált környezetben dámázott.
A robotikai felhasználás azért érdekes, mert a valódi robotok betanítása lassú és drága. Ha egy modell elég következetes világot tud szimulálni, abban gyorsabban és olcsóbban lehet gyakoroltatni őket. Hogy ez mennyire válik be a gyakorlatban, azt a mostani bejelentésből nem lehet megítélni. Hasonló óvatosság más területen is indokolt: egy látványos AI-eredményből még nem következik, hogy a rendszer a valós gyakorlatban is beválik, ahogy azt a Microsoft diagnosztikai AI-járól szóló cikkünkben is részleteztük.
Mik a korlátai?
A Google maga is felsorol korlátokat. A DeepMind szerint hosszabb idő alatt a részletek elcsúszhatnak, és a tárgyak állandósága sem mindig marad meg: ami egyszer ott volt, később eltűnhet vagy megváltozhat. A cég a hang pontosságát, az olvasható szövegek megjelenítését és a térbeli pontosságot is a fejlesztendő területek között említi.
A két perc egy játékhoz vagy egy filmjelenethez rövid. A mostani változat inkább kutatási eszköz és ötletelési segítség, mint kész termék.
Hol tart a verseny?
A Genie 4 nem egyedül van a piacon. A TechCrunch a bejelentés kapcsán megemlíti, hogy a Runway nevű videós AI-cég is dolgozik hasonló, bejárható világokat generáló rendszeren (GWM Worlds 2). A lap szerint a Genie 3 valamivel több mint egy éve jelent meg, vagyis a két nagy változat között nagyjából egy év telt el. Ha az AI-modellek gyors egymásutánja érdekel, a GPT-6.1 Terráról itt írtunk.
Ki próbálhatja ki, és elérhető-e Magyarországon?
A Genie 4 egyelőre kutatási előzetesként, kiválasztott partnereknél fut. A DeepMind szerint hamarosan a Google AI Ultra előfizetők is hozzáférnek a Project Genie nevű felületen, a TechCrunch szerint „az elkövetkező hetekben”. A fejlesztők közül korai hozzáférési partnerek a Gemini API-n és az AI Studióban kaphatnak lehetőséget, ehhez várólistára lehet jelentkezni. Az új AI-funkciók uniós elérhetősége gyakran később érkezik vagy korlátozott, ahogy azt az iOS 27 magyarországi funkcióiról szóló összefoglalónkban is láthattuk.
Arról, hogy a Genie 4 mikor és milyen feltételekkel lesz elérhető Magyarországon, a források nem írnak, ezért ezt egyelőre nem lehet tudni. A DeepMind azt írja, hogy a modell szigorú biztonsági korlátokat kapott, és belső biztonsági értékelés után adták ki először csak a partnereknek, hogy a szélesebb megjelenés előtt visszajelzést gyűjtsenek.
Gyakori kérdések
Mi a különbség a Genie 4 és egy videógeneráló AI között?
A videógeneráló modell egy kész klipet ad, a Genie 4 viszont valós időben reagál: a felhasználó mozog benne, és utasításokkal menet közben változtathat a jeleneten. A DeepMind ezért interaktív szimulációnak nevezi.
Mennyi ideig marad egyben egy Genie 4-es világ?
A The Verge és a TechCrunch szerint körülbelül két percig, ami a Genie 3 nagyjából egy percének a duplája. A DeepMind maga is jelzi, hogy hosszabb idő alatt a részletek elcsúszhatnak.
Kipróbálhatom most a Genie 4-et?
Jelenleg nem nyilvános. Kutatási előzetesként kiválasztott partnerek használják, a Google szerint hamarosan az AI Ultra előfizetők és a Gemini API korai hozzáférési partnerei jöhetnek, a magyarországi elérhetőség ismeretlen.
Hogyan lehet felismerni a Genie 4-gyel készült anyagot?
A Google szerint minden kimenet SynthID vízjelet kap, amely szabad szemmel nem látszik, de a cég szerint segít azonosítani a mesterséges intelligenciával készült kép- és hanganyagot.
Források
Kapcsolódó cikkek
Az Anthropic bemutatta a Claude Fable 5.2 és a Mythos 5.2 modellt. A cég szerint ugyanaz az alapmodell, de a Mythos csak ellenőrzött szervezeteknek jár. Árak, tudás és a mindennapokra ajánlott Opus 5.5.
A Google AI-mód háromféleképpen nyitható. Nem kapcsolható ki az AI-áttekintés – csak az Internet szűrővel kerülhető meg. Összehasonlítás a súgó alapján.
Mit jelent a HIÁNYZIK, a HIV vagy a ZÉRÓOSZTÓ jelzés az Excelben? Nyolc gyakori hibajelzés a Microsoft súgója alapján – példalista, okokkal és javítással.
Következő cikkek
Olvass tovább
Az Anthropic bemutatta a Claude Fable 5.2 és a Mythos 5.2 modellt. A cég szerint ugyanaz az alapmodell, de a Mythos csak ellenőrzött szervezeteknek jár. Árak, tudás és a mindennapokra ajánlott Opus 5.5.
A Google AI-mód háromféleképpen nyitható. Nem kapcsolható ki az AI-áttekintés – csak az Internet szűrővel kerülhető meg. Összehasonlítás a súgó alapján.
Mit jelent a HIÁNYZIK, a HIV vagy a ZÉRÓOSZTÓ jelzés az Excelben? Nyolc gyakori hibajelzés a Microsoft súgója alapján – példalista, okokkal és javítással.
Az Anthropic Personal Finance funkciójával bank- és kártyaszámláidat kötheted a Claude-hoz, csak olvasási joggal. Mutatjuk, mit lát az AI, mit nem, hogyan kapcsolódik a Plaidhez, és mit tudunk az USA-s bétáról.
Az Apple Watch új bétafunkciói szövegként mutatják az utolsó 15 másodperc beszédét, és napi összefoglalót készítenek a beszélgetésekről. Mutatjuk, hogyan működnek, mit ígér az Apple az adatvédelemről, és mikor jöhetnek az EU-ba.
Az Apple újabb fenyegetettségi értesítéseket küldött kémprogramos támadások miatt. Mutatjuk, hogyan néz ki a valódi értesítés, mit nem kér soha, és mi a teendő, ha megkaptad.
NapiInfo szerkesztőség
A cikket a NapiInfo szerkesztősége írta és ellenőrizte a fent felsorolt források alapján. Az AI-eszközök szerepéről az AI-használat oldalon olvashatsz.
Kérdésed vagy észrevételed van?
Pontatlanságot találtál, vagy fontos információ hiányzik? Jelezd nekünk a cikk linkjével és az ellenőrizhető forrással.
A témaválasztásról, a forrásokról és az AI-eszközök szerepéről a szerkesztési elveinkben olvashatsz.
Kövesd a NapiInfót Facebookon, és oszd meg a tapasztalatodat