Google Genie 4: Η νέα AI δημιουργεί διαδραστικούς κόσμους σε πραγματικό χρόνο
Η DeepMind παρουσίασε το νέο της «world model», ένα σύστημα τεχνητής νοημοσύνης που δεν περιορίζεται στη δημιουργία εικόνας ή βίντεο, αλλά επιτρέπει στον χρήστη να κινείται μέσα σε ψηφιακά περιβάλλοντα και να τα μεταβάλλει ενώ αυτά εξελίσσονται.
Snapshot
- Η DeepMind παρουσίασε το Genie 4, ένα AI σύστημα που δημιουργεί διαδραστικούς ψηφιακούς κόσμους σε πραγματικό χρόνο, επιτρέποντας στον χρήστη να κινείται και να επεμβαίνει στο περιβάλλον.
- Το Genie 4 παράγει εικόνες, ήχο, μουσική και διαλόγους, προσφέροντας μια ολοκληρωμένη διαδραστική εμπειρία αντί για απλό AI-generated βίντεο.
- Η τεχνολογία μπορεί να χρησιμοποιηθεί σε videogames, κινηματογραφικές παραγωγές, εικονικά σενάρια και εκπαίδευση ρομπότ για ασφαλέστερες και πιο οικονομικές δοκιμές σε εικονικά περιβάλλοντα.
- Παρά τις βελτιώσεις στη συνοχή και την απόκριση, το σύστημα παραμένει σε πρώιμο στάδιο με προβλήματα σε μεγαλύτερης διάρκειας προσομοιώσεις και λεπτομέρειες απεικόνισης.
- Το Genie 4 διατίθεται προς το παρόν σε περιορισμένους δοκιμαστές και το περιεχόμενο που παράγει φέρει ψηφιακή σήμανση SynthID για αναγνώριση ως AI προϊόν.
Ένα ακόμη βήμα στην ανάπτυξη συστημάτων τεχνητής νοημοσύνης που μπορούν να προσομοιώνουν ολόκληρα ψηφιακά περιβάλλοντα κάνει η Google DeepMind, παρουσιάζοντας το Genie 4.
Το νέο μοντέλο ανήκει στην κατηγορία των λεγόμενων «world models» και έχει σχεδιαστεί ώστε να δημιουργεί διαδραστικούς κόσμους σε πραγματικό χρόνο, στους οποίους ο χρήστης δεν είναι απλός θεατής αλλά μπορεί να κινηθεί, να παρέμβει και να αλλάξει όσα συμβαίνουν γύρω του. Σε αντίθεση με ένα συμβατικό μοντέλο παραγωγής βίντεο, το Genie 4 μπορεί να διατηρεί ένα περιβάλλον «ζωντανό» όσο ο χρήστης αλληλεπιδρά μαζί του, προσαρμόζοντας τη σκηνή στις νέες εντολές που λαμβάνει.
Με απλές γραπτές οδηγίες, ο χρήστης μπορεί να αλλάξει τον καιρό, να μετακινήσει την κάμερα, να προσθέσει χαρακτήρες ή αντικείμενα και να επηρεάσει την εξέλιξη της σκηνής χωρίς να χρειάζεται να ξεκινήσει από την αρχή. Το μοντέλο παράγει παράλληλα ήχο, μουσική και διαλόγους, ώστε το αποτέλεσμα να λειτουργεί περισσότερο σαν διαδραστικό περιβάλλον παρά σαν ένα απλό AI-generated βίντεο. Σύμφωνα με τη DeepMind, μία από τις βασικές βελτιώσεις σε σχέση με προηγούμενες εκδόσεις είναι η δυνατότητα του συστήματος να διατηρεί μεγαλύτερη συνοχή μεταξύ των στοιχείων της σκηνής, ακόμη και όταν ο χρήστης επεμβαίνει διαδοχικά σε αυτή.
Από τα videogames έως την εκπαίδευση ρομπότ
Η Google βλέπει το Genie 4 ως κάτι πολύ ευρύτερο από ένα εργαλείο για videogames. Η τεχνολογία θα μπορούσε να χρησιμοποιηθεί στην ανάπτυξη παιχνιδιών, στην προετοιμασία κινηματογραφικών παραγωγών και στη δημιουργία εικονικών σεναρίων, αλλά και στην εκπαίδευση ρομπότ και αυτόνομων συστημάτων τεχνητής νοημοσύνης. Η ιδέα είναι ότι ένα ρομπότ ή ένας AI agent μπορεί να δοκιμάζει διαφορετικές ενέργειες μέσα σε χιλιάδες εικονικά περιβάλλοντα πριν χρειαστεί να λειτουργήσει στον πραγματικό κόσμο, μειώνοντας έτσι το κόστος και τους κινδύνους που συνεπάγονται οι πραγματικές δοκιμές.
Αυτό είναι και το σημείο στο οποίο τα λεγόμενα «world models» αποκτούν ιδιαίτερο ενδιαφέρον για τη βιομηχανία της τεχνητής νοημοσύνης. Αντί ένα μοντέλο να μαθαίνει μόνο από κείμενα, εικόνες ή βίντεο που έχουν ήδη δημιουργηθεί, μπορεί να δοκιμάζει διαφορετικά σενάρια μέσα σε ένα περιβάλλον που μεταβάλλεται ανάλογα με τις ενέργειές του. Για εταιρείες όπως η Google, η δυνατότητα αυτή θεωρείται σημαντική για την ανάπτυξη συστημάτων που θα μπορούν στο μέλλον να εκτελούν πιο σύνθετες εργασίες χωρίς συνεχή ανθρώπινη καθοδήγηση.
Τι μπορεί να κάνει και πού ακόμη δυσκολεύεται
Στα παραδείγματα που παρουσίασε η DeepMind, οι χρήστες μπορούν να κινούνται μέσα στις σκηνές με συνηθισμένα χειριστήρια και ταυτόχρονα να δίνουν νέες εντολές σε φυσική γλώσσα, αλλάζοντας σε πραγματικό χρόνο το περιβάλλον. Το Genie 4 προσφέρει πιο ρεαλιστική εικόνα και κίνηση σε σχέση με την προηγούμενη γενιά του συστήματος, ενώ οι προσομοιώσεις μπορούν να διαρκούν περίπου δύο λεπτά. Η εταιρεία υποστηρίζει ότι έχει βελτιώσει σημαντικά τόσο τη συνέπεια των αντικειμένων όσο και την απόκριση του μοντέλου στις αλλαγές που ζητά ο χρήστης.
Παρά τις βελτιώσεις, η ίδια η Google αναγνωρίζει ότι το σύστημα βρίσκεται ακόμη σε πρώιμο στάδιο. Σε μεγαλύτερης διάρκειας προσομοιώσεις μπορεί να εμφανιστούν ασυνέπειες, αντικείμενα να αλλάξουν μορφή ή θέση και σύνθετες αλληλεπιδράσεις να μην αποδίδονται σωστά. Δυσκολίες εξακολουθούν επίσης να υπάρχουν στην ακριβή απεικόνιση κειμένου και στη διατήρηση όλων των λεπτομερειών του περιβάλλοντος για μεγάλο χρονικό διάστημα. Πρόκειται, επομένως, για μια τεχνολογία που δείχνει προς τα πού κινούνται τα επόμενα μοντέλα AI, χωρίς να έχει ακόμη φτάσει στο σημείο της πλήρους και σταθερής προσομοίωσης ενός ψηφιακού κόσμου.
Για την ώρα, το Genie 4 διατίθεται σε περιορισμένο αριθμό δοκιμαστών, με τη Google να σχεδιάζει σταδιακά την επέκταση της πρόσβασης μέσω του Project Genie και επιλεγμένων συνεργατών του Gemini API και του Google AI Studio. Το περιεχόμενο που δημιουργείται από το σύστημα θα φέρει την ψηφιακή σήμανση SynthID, ώστε να μπορεί να αναγνωρίζεται ως προϊόν τεχνητής νοημοσύνης.
Το ενδιαφέρον γύρω από το Genie 4 δεν βρίσκεται μόνο στην ποιότητα των εικόνων που μπορεί να δημιουργήσει. Βρίσκεται κυρίως στη μετάβαση από την τεχνητή νοημοσύνη που παράγει ένα στατικό αποτέλεσμα σε συστήματα που δημιουργούν έναν ψηφιακό χώρο, τον διατηρούν σε λειτουργία και επιτρέπουν στον χρήστη να επηρεάζει όσα συμβαίνουν μέσα σε αυτόν.
