Google DeepMind presenterade den 27 oktober den nya världsmodellen Genie 4. Modellen skapar i realtid interaktiva virtuella miljöer som användaren kan röra sig i, och gör det för första gången med ljud.
Vad hände?
Enligt DeepMind är Genie 4 bolagets första världsmodell i realtid som producerar ljud direkt. Varje värld bär sitt eget omgivningsljud: vind i träden, vågor som slår mot stranden eller musik. Enligt Ars Technica är den största nyheten mänskligt tal: dialoger som anpassar sig när simuleringen förändras. Människorna i scenen rör sig också mer naturligt än i den förra versionen.
Användaren kan styra en värld som är igång med vanlig text. Det går att ändra vädret, flytta kameran eller lägga till nya personer och föremål i scenen; kommandona tolkas av Gemini-modeller. DeepMind positionerar modellen som träningsmiljö för robotar och AI-agenter, som prototyp i speldesign och som verktyg för förvisualisering i film. Exempel delades också där ett enda arkivfoto förvandlas till en scen man kan gå omkring i.
Än så länge är modellen öppen bara för utvalda testare. Åtkomsten kommer snart att utvidgas stegvis via Project Genie till prenumeranter på Google AI Ultra och till tidiga partner för Gemini API och AI Studio.
Varför spelar det roll?
Världsmodeller innebär att AI skapar inte bara text eller bild utan miljöer som fungerar efter egna regler. Det kan göra det möjligt att testa robotar i tusentals scenarier innan de går ut i den verkliga världen, och kan också snabba på produktionen av spel och film. Gränserna är tydliga: enligt Ars Technica håller världarna ihop bara några minuter. Även DeepMind medger att föremål kan glida med tiden och att komplexa fysiska interaktioner och långvarig konsekvens fortfarande är forskningsämnen.