Google DeepMind показала Genie 4, модель мира (нейросеть, которая создает не готовый ролик, а пространство, где можно двигаться и менять обстановку). Достаточно набрать в строке «пусть пойдет дождь» или «добавь прохожих», и сцена перестроится на лету, а персонажи в своих репликах начнут учитывать перемены, например заметят дождь или новых прохожих. Это первая модель реального времени у Google, которая озвучивает мир сама: музыку, шум улицы и диалоги она создает одновременно с картинкой.
За облик и поведение предметов отвечает Gemini Omni, а за рассуждения, благодаря которым мир остается связным и предметы не меняются от кадра к кадру, отвечают другие модели Gemini. Отдельная роль у Gemini 3.8 Flash (быстрой версии семейства): она работает как режиссер, следит за кадрами, дробит цель на шаги, проверяет их выполнение и перестраивает план, когда пользователь вмешивается. Теджас Кулкарни, директор по исследованиям Google, называет такую связку гибридными моделями мира, где Gemini пишет код и текст, а Genie превращает их в картинку в реальном времени.
Самый наглядный пример связан с роботами, которым виртуальный мир нужен для тренировки. В демонстрации гуманоид Apollo компании Apptronik играет в шашки: модель Gemini 4 Argon делит партию на шаги, а Genie 4 тут же проигрывает их в симуляции. В другом эксперименте с Gemini Robotics задачи для машины сначала прогоняют так же. Идея в том, чтобы отрабатывать поведение в виртуальном мире до встречи с настоящим. Впрочем, к такому подходу есть вопросы у критиков: к Genie 3 уже предъявляли претензию, которую назвали парадоксом надежности. Если физика в модели неточна, трудно ждать полной безотказности от обученных в ней систем. Исследователи возражают, что симуляция полезна и так, ведь вскрывает слабые места агентов.
Тестеры видят применение шире робототехники. Режиссеры пробуют предвизуализацию и многократные дубли одной сцены, журналисты превращают архивную фотографию в пространство, которое можно обойти, разработчики игр быстро прототипируют механику и стиль. Есть и образовательная идея: поговорить с персонажами картины.
Сама команда честно признает слабые места. Детали и положение предметов дрейфуют, особенно в длинных сессиях и после нескольких правок. Но уже сейчас согласованную сцену модель держит до двух минут. Не решены еще вопросы с точностью звука, читаемостью текста в кадре и верностью расположения предметов. Диего Ривас, инженер Google DeepMind, называет проект ранним и признает, что пока неясно, каким продуктом станет модель и как с ней будут работать люди. Разрешение, частота кадров и стоимость расчетов не раскрыты. Весь видеоряд и звук помечает SynthID (невидимый водяной знак для материалов, созданных ИИ).
Конкуренты не отстают. Компания Runway выпустила интерактивную модель GWM Worlds 2 со звуком примерно за пару месяцев до Genie 4. Вокруг рынка идет и передел: World Labs Фэй-Фэй Ли переходит под крыло AMD, Amazon ведет переговоры о покупке Decart, а автопроизводитель Rivian купил Third Dimension ради симуляции автономного вождения. Для Rivian виртуальный мир служит способом проверять беспилотное управление на множестве дорожных ситуаций, не выпуская машину на дорогу. Чипмейкеры, судя по покупке World Labs, тоже хотят иметь собственную модель мира.
Genie 4 пока доступна доверенным тестерам как исследовательское превью. Подписчики Google AI Ultra получат ее в Project Genie в ближайшие недели, а вот объединение с видеомоделью Veo и Gemini Omni, по словам Диего Риваса, случится еще не скоро.
