Google DeepMind pada hari Selasa merilis model dunia terbaru, Genie 4, dalam bentuk prarilis penelitian. Model ini mampu menghasilkan dunia virtual yang paling realistis dan interaktif hingga saat ini, di mana pengguna dapat memasukkan kata kunci untuk mengubah adegan secara real-time selama simulasi, sementara model ini juga dapat menghasilkan audio yang sesuai dengan lingkungan virtual secara langsung, termasuk musik, suara latar, dan dialog interaktif.
Jika dibandingkan dengan generasi sebelumnya, Genie 3, yang dirilis lebih dari setahun lalu, kemajuan Genie 4 sangat jelas: tampilan yang lebih realistis, penambahan audio, dan dukungan untuk pengeditan bebas, termasuk mengubah cuaca secara real-time, menyesuaikan sudut kamera, atau menambahkan karakter dan objek baru ke dalam adegan. Model ini dapat mempertahankan satu adegan yang koheren selama hingga 2 menit, dua kali lipat dari batas generasi sebelumnya, dengan representasi fisik yang lebih akurat dan gerakan karakter yang lebih mendekati manusia.
Kemajuan Signifikan Genie 4 dalam Generasi Dunia Virtual
Integrasi Gemini dengan Genie 4 semakin mendalam. Dalam keseluruhan proses, Gemini berperan sebagai "sutradara", bertanggung jawab untuk merencanakan langkah-langkah dan memeriksa tampilan per frame, sementara Genie bertugas menghasilkan konten visual. Dalam sebuah eksperimen penelitian yang terikat dengan Gemini Robotics, Gemini 4 Argon memecah tugas menjadi langkah-langkah, yang kemudian disimulasikan secara real-time oleh Genie 4, menunjukkan jalur yang dapat dilalui: robot menyelesaikan verifikasi di lingkungan simulasi sebelum bertindak di dunia nyata.
Direktur Penelitian Google, Tejas Kulkarni, menyatakan dalam konferensi pers: "Di masa depan, kita akan semakin sering melihat model dunia campuran semacam ini—Gemini bertanggung jawab untuk menulis kode dan teks, sementara Genie menerima dan mensimulasikan realitas pada berbagai tingkat abstraksi." Seperti rekan-rekannya dalam model dunia, Genie 4 menargetkan skenario komersial termasuk permainan, pembelajaran interaktif, dan robotika. Media luar negeri memberikan contoh imajinatif untuk pembelajaran interaktif: memasukkan sebuah lukisan adegan sejarah ke dalam sistem, lalu langsung berdialog dengan karakter dalam lukisan untuk memahami peristiwa di balik gambar tersebut.
Sementara itu, "penguji terpercaya" yang mendapatkan kesempatan pertama untuk mencoba juga menunjukkan potensi penggunaan lain—prototyping pra-produksi film. Insinyur Google DeepMind, Diego Rivas, menjelaskan: "Nilai paling besar dari real-time terletak pada bagian-bagian yang perlu menjaga aliran kreativitas tetap koheren, seperti fase konsepsi, fase storyboard—setiap saat yang memerlukan pengembangan konsep dengan cepat." Dia juga memperkenalkan, model generasi video berkualitas tinggi Google, Veo, yang semakin populer di kalangan pembuat film, dan di masa depan, pengguna mungkin dapat menggunakan model multimodal besar Gemini Omni yang dapat menggabungkan gambar, audio, dan teks untuk menghasilkan video, mengubah prototipe ini menjadi bahan kreatif, meskipun kemampuan semacam ini masih cukup jauh dari implementasi nyata.