IT之家 10月28日の報道によると、グーグルDeepMindチームは昨日（10月27日）にブログを公開し、Genie 4世界モデルを発表した。これは「重要な研究のマイルストーン」と位置づけられており、オリジナル音声、リアルタイムの自然言語変換、よりリアルな物理的・人物描写などの面で核心的な突破を達成し、世界モデルを一時的な画像生成から、リアルタイムで操作可能で、聴くことも推測することもできる動的なシミュレーション世界へと昇華した。
ユーザーにとって、Google Genie 4 ワールドモデルの最大の魅力は、リアルタイムで「監督」できる世界である。シミュレーション実行中に、ユーザーは自然言語のテキスト指示を使って世界を変えることができる。例えば天気を変更したり、カメラを動かしたり、新しいキャラクターや物体を追加したりすることがある。
主流のAIが動画を再生成するのとは異なり、Genie 4は現在の場面の文脈と組み合わせて動的な変化を実行し、まるで「インタラクティブな仮想サンドボックス」や「AI監督システム」のようなものです。ユーザーはあるイベントを設定し、世界がどのように進化するかを観察しながら、いつでも介入して調整できます。
その他の特徴として、Genie 4はDeepMindがリアルタイム世界シミュレーションにおいて初めて生み出された音声をモデルで、音声と映像が同じプロセスで同期して生成される。さらにグーグルによると、Genie 4は空気力学や衝突などの物理シーンにおいてより優れたパフォーマンスを示し、キャラクターの動きもより自然で、環境に応じた有機的な反応を示し、リアルタイム操作もサポートしている。IT之家では関連するデモンストレーションビデオを以下の通り公開している：
グーグルの最高経営責任者であるスンダル・ピチャイは、今日自身のアカウントでツイートを投稿し、Genie 4はグーグル史上、最もリアルでインタラクティブな世界モデルです。と述べました。
TechCrunchのインタビューに応じたグーグルの研究ディレクター、Tejas Kulkarniは次のように述べました。将来、Geminiがテキスト、コード、タスク計画を担当し、Genie 4がこれらの内容をリアルタイムでインタラクティブな世界に変換することで、「混合世界モデル」が形成される。
DeepMindのエンジニア、ディエゴ・リバスは、Genie 4がまだ初期段階にあると認めている。長時間のシミュレーションにより詳細がずれる可能性があり、音声の正確性や画面内の文字の可読性もまだ完全には解決されていないと述べた。
Genie 4は現在新たな「信頼できるテスター」に研究プレビューとして提供されているだけです。今後数週間で、Google AI UltraのサブスクリプションユーザーのProject Genie、およびGemini APIやGoogle AI Studioの初期パートナーにも拡大される予定です。
関連読書：