Google DeepMind ได้เผยแพร่โมเดลโลกใหม่ล่าสุด Genie 4 ในรูปแบบการวิจัยเมื่อวันอังคาร โมเดลนี้สามารถสร้างโลกเสมือนที่มีความสมจริงและมีปฏิสัมพันธ์มากที่สุดในปัจจุบัน ผู้ใช้สามารถป้อนคำแนะนำเพื่อเปลี่ยนแปลงฉากได้ทันทีในระหว่างการจำลอง ขณะเดียวกัน โมเดลยังสามารถสร้างเสียงที่ตรงกับสภาพแวดล้อมเสมือนแบบเรียลไทม์ รวมถึงดนตรี เสียงรบกวนจากสภาพแวดล้อม และการสนทนาแบบโต้ตอบ.
เมื่อเปรียบเทียบกับรุ่นก่อนหน้า Genie 3 ที่เปิดตัวเมื่อปีที่แล้ว Genie 4 มีความก้าวหน้าที่เห็นได้ชัดเจน: ภาพมีความสมจริงมากขึ้น เพิ่มเสียงใหม่ และรองรับการแก้ไขอย่างอิสระ รวมถึงการเปลี่ยนแปลงสภาพอากาศในทันที การปรับมุมกล้อง หรือการเพิ่มตัวละครและวัตถุใหม่เข้าไปในฉาก มันสามารถรักษาฉากที่เชื่อมโยงกันได้นานถึง 2 นาที ซึ่งเป็นสองเท่าของขีดจำกัดของรุ่นก่อน และการแสดงผลทางกายภาพมีความแม่นยำมากขึ้น การเคลื่อนไหวของตัวละครก็ใกล้เคียงกับมนุษย์มากขึ้น.
Genie 4 มีความก้าวหน้าอย่างมากในการสร้างโลกเสมือน
การรวมกันระหว่าง Gemini และ Genie 4 มีความลึกซึ้งมากขึ้น ในกระบวนการทั้งหมด Gemini ทำหน้าที่เป็น "ผู้กำกับ" รับผิดชอบในการวางแผนขั้นตอนและตรวจสอบภาพแบบเฟรมต่อเฟรม ขณะที่ Genie รับผิดชอบในการสร้างเนื้อหาทางสายตา ในการทดลองวิจัยที่เชื่อมโยงกับ Gemini Robotics โมเดล Gemini 4 Argon จะแบ่งงานออกเป็นขั้นตอนและส่งให้ Genie 4 จำลองแบบเรียลไทม์ แสดงเส้นทางที่เป็นไปได้: หุ่นยนต์จะต้องทำการตรวจสอบในสภาพแวดล้อมจำลองก่อนที่จะลงมือทำในโลกจริง.
Tejas Kulkarni ผู้อำนวยการฝ่ายวิจัยของ Google กล่าวในงานแถลงข่าวว่า "ในอนาคตเราจะเห็นโมเดลโลกผสมแบบนี้มากขึ้นเรื่อยๆ — Gemini รับผิดชอบในการเขียนโค้ดและข้อความ ขณะที่ Genie จะรับข้อมูลและจำลองความเป็นจริงในระดับนามธรรมที่แตกต่างกัน" เช่นเดียวกับโมเดลโลกอื่นๆ Genie 4 มีเป้าหมายการใช้งานเชิงพาณิชย์ที่รวมถึงเกม การเรียนรู้แบบโต้ตอบ และหุ่นยนต์ สื่อมวลชนต่างประเทศยกตัวอย่างแนวคิดการเรียนรู้แบบโต้ตอบ: การนำภาพวาดฉากประวัติศาสตร์เข้าสู่ระบบ จากนั้นพูดคุยโดยตรงกับตัวละครในภาพเพื่อทำความเข้าใจเหตุการณ์ที่เกิดขึ้นเบื้องหลังภาพ.
ผู้ที่ได้รับสิทธิ์ทดลองใช้งานในกลุ่ม "ผู้ทดสอบที่เชื่อถือได้" ได้ชี้ให้เห็นถึงการใช้งานที่เป็นไปได้อีกอย่างหนึ่ง — การสร้างต้นแบบในระยะก่อนการผลิตภาพยนตร์ Google DeepMind วิศวกร Diego Rivas อธิบายว่า "ความรวดเร็วเป็นสิ่งที่มีค่าที่สุดในช่วงเวลาที่ต้องรักษาความคิดสร้างสรรค์ให้ต่อเนื่อง เช่น ในช่วงการคิดแนวคิดและการสร้างสตอรี่บอร์ด — ทุกช่วงเวลาที่ต้องการให้เกิดแนวคิดอย่างรวดเร็ว" เขายังกล่าวเพิ่มเติมว่า โมเดลการสร้างวิดีโอความละเอียดสูงของ Google อย่าง Veo กำลังได้รับความนิยมในหมู่ผู้สร้างภาพยนตร์ และในอนาคตผู้ใช้อาจสามารถใช้โมเดลขนาดใหญ่แบบมัลติโมดัล Gemini Omni ที่สามารถรวมภาพ เสียง และข้อความในการสร้างวิดีโอ เพื่อเปลี่ยนต้นแบบเหล่านี้ให้กลายเป็นวัสดุสร้างสรรค์ อย่างไรก็ตาม ความสามารถนี้ยังคงห่างไกลจากการนำไปใช้จริง.