Google DeepMind показала нову версію своєї моделі штучних світів — Genie 4. Ідея проста: ви не дивитеся згенероване відео, а «заходите» в світ, який реагує на ваші дії, доповнюєте його голосом чи текстом і чуєте, як він звучить.
Як це виглядає в уяві Google: ви просите створити засніжену гору, «заходите» туди з клавіатури, чуєте вітер, а потім додаєте фразою «додай дракона» — і сцена змінюється на льоту. Genie 4 — це крок від пасивного відео до інтерактивного середовища з власною логікою, звуком і базовою фізикою.
Ключова відмінність від класичних AI-відеогенераторів у тому, що Genie 4 моделює світ, а не окремий ролик. Якщо ви повертаєте ліворуч, картинка має змінитися відповідно; якщо обійти камінь, він має залишатися на місці, а не «зникати» з кадру. Це вже ближче до ігрового рушія, ніж до відеоредактора.
За заявами Google, Genie 4 уміє:
- створювати фотореалістичні середовища, якими можна керувати з клавіатури й змінювати їх звичайними текстовими інструкціями;
- генерувати фонові шуми, музику та діалоги;
- імітувати фізичні взаємодії — зіткнення об’єктів, рух людей тощо;
- працювати в парі з моделями Gemini для складних, багатокрокових сценаріїв.
Останній пункт особливо цікавий. Google описує, як Gemini 3.8 Flash може виступати «режисером» або інструктором: спостерігати за тим, що відбувається у віртуальному світі, вирішувати, що має статися далі, і давати Genie вказівки. Наприклад, робот тренується хапати предмети на віртуальній кухні: після кожної спроби Gemini оцінює результат і коригує план. Логіка проста — хай робот помиляється в симуляції, а не у вашій реальній кухні.
Google вже тестує Genie 4 у парі з робототехнічними дослідженнями Gemini, включно з демонстрацією гуманоїдного робота, який грає в шашки у віртуальному середовищі. Поза робототехнікою компанія бачить сценарії для кіно та ігор: режисери можуть «проганяти» варіанти віртуальних декорацій до витрат на знімальний майданчик, а геймдев-команди — швидко тестувати рівні до ручної доробки.
Втім, Genie 4 поки що далекий від ідеального симулятора. Google прямо визнає, що з довгими сесіями виникають проблеми: об’єкти можуть поводитися непослідовно, фізика — «ламатися», просторові зв’язки — плисти. Наразі це дослідницький прев’ю з доступом для обмеженого кола тестувальників. Далі в черзі — користувачі Google AI Ultra через Project Genie та окремі партнери Gemini API і AI Studio.
Чому це важливо
На мій погляд, Genie 4 показує важливий зсув: від генерації «готового контенту» до створення інтерактивного середовища, у якому можуть вчитися як люди, так і роботи. Для українського ринку це може мати кілька практичних наслідків.
- Прототипування ігор та віртуальних досвідів. Невеликі студії в Україні зможуть швидше збирати прототипи рівнів, механік і візуальних стилів без повноцінного пайплайну на Unreal чи Unity. Це не замінить рушії, але може суттєво скоротити час на «чернетки».
- Передвиробничі візуалізації для кіно і реклами. Режисери, продакшн-студії й агенції зможуть проганяти варіанти сцен, ракурсів і світла у віртуальних сетах ще до оренди локацій і техніки. Для ринку з обмеженими бюджетами це реальна економія.
- Навчання роботів і цифрових двійників. Якщо Google доведе стабільність світу на довгих сесіях, такі моделі можуть стати базою для тренування роботів чи автономних систем у віртуальних копіях складів, кухонь, виробництв. Українським R&D-командам це дасть дешевший спосіб експериментувати.
- Новий клас інструментів для освіти. Уявіть інтерактивні симуляції для шкіл, університетів чи корпоративних тренінгів, які можна описати текстом, а не програмувати з нуля. Це шанс робити локалізований освітній контент швидше.
Ключове питання, за яким варто стежити, — наскільки Genie зможе зберігати послідовність об’єктів, правил і наслідків у довгих сценаріях. Гарний двохвилинний світ — це демонстрація. Стабільна симуляція, якій можна довірити навчання реального робота чи складного бізнес-процесу, — це вже інша ліга.
Джерело: The Neuron (https://www.theneurondaily.com/p/google-launches-genie-4-with-sound)