Beszéd közben is átírható világokat generál a Google Genie 4
A Google DeepMind szerint az új modell képet, hangot és párbeszédet együtt alkot; egyelőre csak kiválasztott tesztelők próbálhatják ki.
▶ 30 MÁSODPERCBEN
- MI TÖRTÉNT
- A Google DeepMind október 27-én bemutatta a Genie 4 világmodellt, és kutatási előzetesként megkezdte hozzáférhetővé tenni kiválasztott tesztelőknek.
- MIÉRT FONTOS
- A cég szerint a valós időben alakítható, hangot is generáló környezetek új interaktív élmények és robotoknak, illetve AI-ágenseknek szánt gyakorlópályák alapjai lehetnek.
- MI JÖN MOST
- A kutatási előzetes után fogyasztói és fejlesztői megjelenést terveznek; a Project Genie keretében várólistára lehet jelentkezni.
Megváltoztatni az időjárást, odébb vinni a kamerát, vagy új szereplőt küldeni a jelenetbe — a Google DeepMind szerint a Genie 4-ben mindez természetes nyelvű utasításokkal, valós időben megtehető. A 2026. október 27-én bejelentett világmodell nem pusztán képsort állít elő: interaktív, a felhasználó beavatkozásaira reagáló környezetet generál. Egyelőre azonban korai, kísérleti rendszerről van szó, nem széles körben elérhető termékről.
A hang és a párbeszéd is a világ része
A DeepMind ezt nevezi az első olyan valós idejű világmodelljének, amely eleve hangot is generál. A Genie 4 multimodális, vagyis többféle tartalmat kezel együtt: a szimulált világgal egy időben zenét, környezeti zajokat és menet közben alkalmazkodó párbeszédet hoz létre. A cég minden korábbinál valósághűbb működést állít.
A leírás szerint a modell fizikai jelenségeket, köztük aerodinamikai helyzeteket és ütközéseket is szimulál, a szereplők pedig természetesen mozognak és valós időben irányíthatók. Ha a felhasználó módosítaná a világot, a Gemini a jelenethez igazítja az utasítást. Az ígéret tehát nemcsak a látványról szól, hanem arról is, hogy a környezet következetesen reagáljon a változtatásokra.
Több Gemini-modell tartja egyben a szimulációt
A háttérben a Gemini modellcsalád tagjai eltérő feladatokat kapnak. A DeepMind szerint a Gemini Omni a valóságos megjelenést és viselkedést alapozza meg, más Gemini-modellek pedig következtetéssel segítik a világ belső összhangját és folytonosságát. A Gemini 3.8 Flash irányító ágensként — feladatokat végrehajtó AI-ként — figyeli a jelenetet, lépésekre bontja a célokat, és ellenőrzi az előrehaladást.
A tervezett felhasználások között robotok és ágensek tanítókörnyezetei, illetve új interaktív élmények szerepelnek. A labor a Gemini 4 Argon, a Genie 4 és a Gemini Robotics együttes használatával is kísérletezik: egyik példájukban az Apptronik Apollo nevű humanoid robotja dámázik egy szimulációban. Ez szimulációs példa, nem egy fizikai robot bemutatott teljesítménye.
Először tesztelők kapnak hozzáférést
A kutatási előzetes bevezetése kiválasztott tesztelőkkel indul: a Project Genie-ben Google AI Ultra-előfizetőkkel, valamint a Gemini API és a Google AI Studio korai hozzáférésű partnereivel. A Project Genie keretében várólistára is lehet jelentkezni. A fogyasztói és fejlesztői megjelenést a DeepMind az előzetes utánra tervezi.
A cég kreatív iparági, újságírói, oktatási, játékfejlesztési és mérnöki tesztelői csoportokkal dolgozott együtt. A DeepMind a világ megértését és szimulálását az általános mesterséges intelligencia felé vezető fontos feladatnak tekinti. A Genie 4-et ugyanakkor maga is korai, kísérleti modellként írja le: a képességekről szóló állításokat ennek fényében érdemes olvasni.
TECH-SZÓTÁR
- Világmodell
- Olyan AI-modell, amely egy környezet működését és a benne történő változásokat modellezi.
- Multimodális modell
- Többféle tartalmat, például képet, szöveget és hangot kezelő AI-modell.
- Ágens
- Célok elérése érdekében lépéseket választó és végrehajtó AI-rendszer.
- API
- Programozási felület, amelyen keresztül egy szoftver egy másik rendszer szolgáltatásait használhatja.
» Követett téma: AI · régió: US · kulcsszó: világmodellek, Google DeepMind