Google Genie 4 създава AI светове, които реагират на промптове
Новият модел на DeepMind генерира интерактивни среди със звук и ви позволява да променяте случващото се в движение. Google вижда потенциални приложения в обучението, гейминга, киното и роботиката. Пред технологията обаче остава сериозно предизвикателство: да запазва последователността на генерирания свят с течение на времето.
В лабораторна симулация роботизирана ръка държи пипета и дозира течност в плака. В друга сцена улица се изпълва с движение, а фантастичен пейзаж се променя с текстова команда. Потребителят не гледа предварително заснет клип, а може да се намесва в случващото се и да наблюдава последствията.
Това е посоката, в която Google DeepMind развива Genie 4. Моделът създава интерактивни светове в реално време, генерира звук заедно с картината и позволява на потребителя да направлява средата с естествен език.
Среда, която се променя, докато си вътре
При обикновеното генериране на видео резултатът е клип, който гледаме. Genie 4 позволява да променяте ъгъла на камерата, времето, персонажите и действията, докато симулацията продължава. Системата се опитва да съобрази следващите кадри с новите инструкции, вместо просто да възпроизвежда предварително зададена последователност.
Звукът също се генерира в реално време. В него могат да участват околни шумове, музика и интерактивни разговори между персонажи. Така потребителят може да изследва не само как изглежда дадена среда, но и как звучи и реагира на намесата му.

От идея към прототип
За разработчиците на игри Genie 4 предлага начин да проверят идея, преди да започнат същинската работа по проекта. Те могат да изпробват различни визуални стилове, материали и интерактивни механики чрез текстови команди, без първо да изграждат всичко в игрови енджин.
Това не означава, че моделът заменя инструментите за създаване на завършени игри. Стойността му е в ранния етап, когато екипът трябва да провери дали една идея работи и как би изглеждала на практика.
Подобен подход привлича интерес и във филмовата индустрия. По време на брифинг на Google DeepMind инженерът Диего Ривас посочва, че генерирането в реално време може да е полезно при разработването на идеи и подготовката на сторибордове. Екипът може да разглежда различни варианти на сцена и да ги променя, без всяка промяна да изисква нов производствен цикъл.
Засега това е инструмент за проучване и визуално планиране, а не автоматичен път от текстова идея до готов филм. Google разполага и с отделния модел Veo за генериране на видео, докато Genie 4 изследва какво се случва, когато генерираната среда остане интерактивна.

Защо Google комбинира Genie с Gemini
Зад симулациите стои комбинация от модели на Google. Според DeepMind Gemini Omni помага за реалистичното представяне на света и поведението в него, а други модели от семейството Gemini осигуряват разсъжденията, необходими за поддържане на последователността.
Google описва конкретна схема, в която Gemini 3.8 Flash действа като направляващ агент. Той наблюдава генерираната сцена, разделя целта на по-малки стъпки и проверява дали те са изпълнени, като адаптира плана при промяна на условията.
При роботиката това би имало особено значение. Ако симулацията трябва да помогне за обучението на система да изпълнява поредица от действия, средата трябва да отразява последствията от всяко движение. Реалистичната картина не е достатъчна, ако предметите се променят непредвидимо или физическите взаимодействия престанат да следват логиката на задачата.

Колко дълго може да остане убедителен един свят
Според първите тестове на този етап Genie 4 може да поддържа последователна сцена за около две минути. С удължаването на симулацията визуалните детайли могат да се променят, а предмети да губят постоянството си. Проблеми остават и при сложните физически взаимодействия, пространствената точност, четимия текст и съответствието между звука и случващото се на екрана.
За ранна визуализация на игра или филм подобни отклонения могат да бъдат приемливи. При обучение на робот или автономен агент обаче непоследователната среда може да обезсмисли резултата от цяла серия действия. Демонстрациите показват потенциал, но не доказват, че Genie 4 вече може да служи като надежден заместител на реалния свят.

Google не е единствената компания в тази надпревара
През септември Runway представи GWM Worlds 2, собствен модел за интерактивни светове с генерирани картина и звук. Системата позволява да направлявате средата с текстови действия и движение на камерата. За разлика от предварително зададен видеоклип, генерирането може да продължава, докато потребителят подава нови инструкции.
Runway също има съществени ограничения. Бързите завъртания на камерата могат да влошат детайлите, текстурите и геометрията на сцената, а дългосрочната памет на модела остава несъвършена. Това показва колко трудно е да се съчетаят генерирането в реално време и устойчивото представяне на един изцяло генериран свят.
Така състезанието не се свежда до това кой модел създава по-впечатляващ първи кадър. По-важният въпрос е дали средата може да запази своята логика, докато потребителят се движи в нея и променя случващото се.
Genie 4 засега се разпространява като изследователска версия за ограничена група тестери. Google планира достъп и за абонати на Google AI Ultra чрез Project Genie, както и за ранни партньори през Gemini API и Google AI Studio.
Ако тези модели съумеят да съхранят логиката на една среда, докато тя се променя, разработчиците ще могат да проверяват идеи и сценарии по начин, който досега изискваше значително повече ръчна работа. Засега Genie 4 показва колко убедително може да изглежда подобен свят. Следващото изпитание е да докаже, че той може да остане същият свят след десетки итерации.
