Google DeepMindは火曜日に研究プレビュー形式で最新の世界モデルGenie 4を発表した。このモデルは、これまでで最もリアルでインタラクティブな仮想世界を生成できる。ユーザーはシミュレーションの過程でプロンプトを入力することで即座にシーンを変更できるほか、モデルは仮想環境にマッチした即時音声を生成することもできる。これには音楽、環境音、インタラクティブな対話が含まれる。
1年以上前にプレビュー版が発表された前世代のGenie 3と比較して、Genie 4の進歩は明らかである。画面はよりリアルになり、新たに音声が追加され、自由な編集が可能になった。これにより、即時に天候を変更したり、カメラの角度を調整したり、シーンに新しいキャラクターやオブジェクトを追加することができる。Genie 4は、一貫したシーンを最大2分間維持でき、これは前世代の上限の2倍であり、物理表現もより正確で、キャラクターの動きも人間に近づいている。
Genie 4の仮想世界生成における重大な進歩
GeminiとGenie 4の統合はさらに深まっている。全体のプロセスにおいて、Geminiは「ディレクター」として機能し、ステップを計画し、フレームごとに画面をチェックする役割を担い、Genieは視覚コンテンツを生成する役割を果たす。Gemini Roboticsと連携した研究実験では、Gemini 4 Argonモデルがタスクをステップに分解し、Genie 4に即時シミュレーションを行わせることで、実行可能なルートを示した。これにより、ロボットは現実世界で行動する前に、シミュレーション環境で検証を行うことができる。
Googleの研究ディレクターTejas Kulkarniはプレゼンテーションで、「今後はこのような混合世界モデルがますます増えていくでしょう。Geminiはコードやテキストを作成し、Genieは即時に受け取り、異なる抽象レベルで現実をシミュレーションします」と述べた。世界モデルの競合と同様に、Genie 4がターゲットとする商用シーンにはゲーム、インタラクティブ学習、ロボットが含まれる。外部メディアは、インタラクティブ学習の想定例として、歴史的なシーンの絵画をシステムに入力し、絵の中の人物と直接対話して背後の出来事を理解することを挙げている。
また、最初の体験資格を得た「信頼できるテスター」は、別の潜在的な用途として映画やテレビの前期プロトタイプ制作を指摘した。Google DeepMindのエンジニアDiego Rivasは、「即時性が最も価値のあるのは、創作の流れを一貫させる必要がある場面、例えばアイデアの段階やストーリーボードの段階など、迅速にコンセプトを出す必要がある瞬間です」と説明した。彼は同時に、Googleの高解像度動画生成モデルVeoが映画制作者の間で人気を博していることを紹介し、将来的にはユーザーが画像、音声、テキストを組み合わせて動画を生成できるマルチモーダル大モデルGemini Omniを活用して、これらのプロトタイプを創造的な素材に変換できる可能性があるが、その能力が実現するまでにはまだかなりの時間がかかるだろうと述べた。