Google DeepMind hat am 27. Oktober sein neues Weltmodell Genie 4 vorgestellt. Das Modell erzeugt in Echtzeit interaktive virtuelle Umgebungen, in denen sich Nutzer bewegen können, und tut das erstmals mit Ton.
Was ist passiert?
Laut DeepMind ist Genie 4 das erste Echtzeit-Weltmodell des Unternehmens, das Ton direkt erzeugt. Jede Welt trägt ihren eigenen Umgebungsklang: Wind in den Bäumen, Wellen am Ufer oder Musik. Laut Ars Technica ist die größte Neuerung die menschliche Sprache: Dialoge, die sich anpassen, wenn sich die Simulation ändert. Auch die Menschen in der Szene bewegen sich natürlicher als in der Vorversion.
Nutzer können eine laufende Welt mit einfachem Text steuern. Man kann das Wetter ändern, die Kamera bewegen oder neue Personen und Objekte in die Szene einfügen; die Befehle werden von Gemini-Modellen interpretiert. DeepMind positioniert das Modell als Trainingsumgebung für Roboter und KI-Agenten, als Prototyping-Werkzeug im Spieldesign und als Vorvisualisierung beim Film. Es wurden auch Beispiele gezeigt, die ein einzelnes Archivfoto in eine begehbare Szene verwandeln.
Vorerst ist das Modell nur für ausgewählte Tester offen. Der Zugang soll bald schrittweise über Project Genie auf Abonnenten von Google AI Ultra und auf Early-Access-Partner der Gemini API und von AI Studio ausgeweitet werden.
Warum ist das wichtig?
Weltmodelle bedeuten, dass KI nicht nur Text oder Bilder erzeugt, sondern Umgebungen, die nach eigenen Regeln funktionieren. Das könnte es ermöglichen, Roboter in Tausenden von Szenarien zu erproben, bevor sie in die reale Welt gehen, und die Produktion von Spielen und Filmen beschleunigen. Die Grenzen sind allerdings deutlich: Laut Ars Technica bleiben die Welten nur wenige Minuten konsistent. DeepMind räumt ebenfalls ein, dass Objekte mit der Zeit abdriften können und dass komplexe physikalische Wechselwirkungen und langfristige Konsistenz weiterhin Forschungsthemen sind.