Google DeepMind vừa giới thiệu phiên bản xem trước dành cho nghiên cứu của mô hình thế giới mới nhất, Genie 4. Phiên bản mới này tạo ra các thế giới ảo sống động và tương tác nhất từ trước đến nay, cho phép người dùng thay đổi cảnh bằng các câu lệnh nhập vào giữa quá trình mô phỏng. Mô hình còn có khả năng tạo ra âm thanh theo thời gian thực, tương thích với thế giới ảo, bao gồm nhạc nền, tiếng động môi trường và hội thoại tương tác.
Việc ra mắt Genie 4 diễn ra vài tháng sau khi startup video AI Runway giới thiệu mô hình thế giới thứ hai của họ, GWM Worlds 2, một mô hình có thể chơi được, phản hồi linh hoạt với đầu vào của người dùng và bao gồm cả khả năng tạo âm thanh. Ngành công nghiệp mô hình thế giới cũng đang có xu hướng hợp nhất, với việc AMD mua lại World Labs của Fei-Fei Li, Amazon đang đàm phán mua lại startup AI Decart, và Rivian mua lại Third Dimension để tích hợp khả năng mô phỏng vào nội bộ cho việc thử nghiệm xe tự lái.
Genie 4 là bước đi mới nhất của Google nhằm giữ vững vị thế dẫn đầu trong lĩnh vực cạnh tranh này. Trước đó, Google đã giới thiệu Genie 3 hơn một năm trước. Ngoài khả năng hiển thị chân thực và âm thanh, Genie 4 còn cho phép chỉnh sửa tự do, như thay đổi thời tiết, góc máy ảnh theo thời gian thực, hoặc thêm người, vật thể mới. Mô hình có thể duy trì một cảnh ổn định trong tối đa hai phút, gấp đôi giới hạn của phiên bản tiền nhiệm, đồng thời cải thiện vật lý và tạo ra các nhân vật giống người hơn.
Mô hình AI Gemini của Google cũng được tích hợp chặt chẽ hơn với Genie 4, hoạt động như một đạo diễn lên kế hoạch các bước và kiểm tra khung hình trong khi Genie tạo ra hình ảnh. Trong một thử nghiệm nghiên cứu liên quan đến Gemini Robotics, một mô hình Gemini 4 Argon đã chia nhỏ các nhiệm vụ thành các bước mà Genie 4 mô phỏng theo thời gian thực. Thử nghiệm này cho thấy một phương pháp tiềm năng để kiểm tra các kịch bản robot trong môi trường mô phỏng trước khi chúng xảy ra trong thế giới thực.
“Chúng ta sẽ ngày càng thấy nhiều các mô hình thế giới lai trong tương lai, nơi kết hợp giữa Gemini viết mã và văn bản, và Genie tiếp nhận thông tin đó theo thời gian thực để mô phỏng thực tế ở các cấp độ trừu tượng khác nhau,” Tejas Kulkarni, giám đốc nghiên cứu tại Google, cho biết trong một buổi thuyết trình.
Các ứng dụng thương mại tiềm năng bao gồm trò chơi, học tập tương tác và robot. Một ví dụ về học tập tương tác là nhập vai vào một bức tranh về một cảnh lịch sử và trò chuyện với các nhân vật trong tranh về sự kiện được miêu tả.
Tuy nhiên, “những người thử nghiệm đáng tin cậy” đang chỉ ra một khả năng sử dụng mới: tạo mẫu phim ảnh. “Khía cạnh thời gian thực trở nên có giá trị nhất trong các lĩnh vực mà việc duy trì luồng sáng tạo là vô cùng hữu ích,” Diego Rivas, kỹ sư tại Google DeepMind, chia sẻ. “Ví dụ, trong giai đoạn lên ý tưởng, giai đoạn phân cảnh — bất cứ lúc nào bạn cần ý tưởng nhanh chóng.”
Google cũng cung cấp Veo, mô hình tạo video AI của họ, tạo ra các đoạn phim có độ nét cao với âm thanh đồng bộ được tích hợp sẵn từ các gợi ý văn bản, hình ảnh hoặc video — một công cụ đang ngày càng phổ biến trong giới làm phim.
Rivas nói thêm rằng người dùng cuối cùng có thể dựa vào Gemini Omni, một mô hình ngôn ngữ lớn đa phương thức có thể tạo video từ hình ảnh, âm thanh và văn bản, để biến các mẫu thử nghiệm này thành các tài sản sáng tạo. Tuy nhiên, ông nhấn mạnh rằng những khả năng này vẫn còn ở tương lai xa.
Trong buổi thuyết trình, Rivas nhấn mạnh rằng Genie 4 vẫn còn ở giai đoạn đầu và chưa rõ trải nghiệm sản phẩm cuối cùng sẽ như thế nào. Nhóm phát triển cũng thừa nhận Genie 4 vẫn còn những hạn chế: chi tiết và đối tượng có thể bị trôi lệch khi mô phỏng kéo dài, và họ vẫn chưa tìm ra cách đảm bảo âm thanh chính xác và văn bản trong thế giới ảo dễ đọc.
Genie 4 hiện có sẵn dưới dạng xem trước nghiên cứu cho những người thử nghiệm đáng tin cậy. Trong những tuần tới, mô hình sẽ được triển khai cho các thuê bao Google AI Ultra trong Project Genie, công cụ của Google để tạo thế giới tương tác từ các gợi ý văn bản hoặc hình ảnh, và các đối tác truy cập sớm của Gemini API và Google AI Studio.
