Google DeepMind представи на 27 октомври Genie 4 – нова версия на своя модел, който генерира интерактивни светове в реално време по текстово описание. За първи път такъв модел на компанията създава едновременно картина и звук, а потребителят може да променя сцената с думи, докато се движи из нея.
Накратко
- Genie 4 добавя собствен звук – фон, музика и диалог, които следват случващото се в сцената.
- Засега е достъпен само за избрани тестери, после идва в Project Genie за абонатите на Google AI Ultra.
- Всеки генериран кадър и звук носи невидимия воден знак SynthID.
Какво е „модел на свят“ и с какво Genie 4 е различен
Моделите на свят не правят готов видеоклип. Те генерират следващия кадър в зависимост от това какво прави потребителят, така че сцената се „случва“ около него. Предишната версия, Genie 3, беше показана през август 2025 г. и работеше в 720p при 24 кадъра в секунда, като пазеше сцената последователна няколко минути.
Genie 4 стъпва на моделите Gemini. Според DeepMind Gemini Omni отговаря за това обектите и хората да изглеждат и да се държат като в реалния свят, а други модели от семейството следят логиката и последователността на сцената. Потребителят задава начално събитие, а Genie 4 симулира какво следва – как реагира средата, как звучи и как се движат и говорят хората в нея.
Най-видимата новост е звукът. DeepMind нарича Genie 4 своя първи модел на свят в реално време, който генерира аудио сам: фонов шум, характерен за мястото, музика и диалог, който се променя според действията ви.
Сцената се управлява с клавиатура и с думи
Придвижването и камерата се управляват със стандартните клавиши, както в компютърна игра. Освен това по всяко време може да напишете промяна – да завали, камерата да смени ъгъла или в кадъра да се появи човек или предмет. Gemini преработва указанието спрямо конкретната сцена, за да не се „разпадне“ светът при всяка промяна.
DeepMind показва и по-сложен сценарий. Gemini 3.8 Flash наблюдава сцената, разделя дадена цел на стъпки, проверява по кадрите дали всяка стъпка е изпълнена и сменя плана, ако светът се промени или потребителят се намеси. В един от експериментите с Gemini Robotics моделът симулира как хуманоидният робот Apollo на Apptronik играе на дама – така роботите могат да се „упражняват“ във виртуална среда, преди да опитат в реална.
Сред сценариите, с които са работили първите тестери, компанията изброява творческа режисура, пресъздаване на исторически събития и снимки, концептуален дизайн и симулации за бизнеса.
Кой ще може да го пробва и кога
Засега Genie 4 е изследователска версия за ограничен кръг доверени тестери. Следващата стъпка е Project Genie – експерименталното приложение, което Google отвори през януари за абонатите на Google AI Ultra в САЩ на възраст над 18 години. Моделът ще стигне и до партньори с ранен достъп в Gemini API и Google AI Studio. Точна дата и списък на държавите DeepMind не дава, а желаещите могат да се запишат в списък с чакащи.
За потребителите в България това означава, че скоро няма да могат да пробват модела сами. Ако Google следва досегашния модел, Европа ще получи достъп по-късно и през най-скъпия абонамент. Как се различават плановете на Google, обяснихме в материала за промените в Google AI Plus.
Ограниченията, които DeepMind признава
Компанията сама изброява слабостите. При по-дълги сесии, след няколко поредни промени с текст или при повече придвижване детайлите и обектите може да „плуват“ – нещо, което сте видели преди малко, може да изглежда различно, когато се върнете. Сложните физични взаимодействия, точността на звука в реално време, четимият текст в кадър и дългата последователност остават в процес на разработка.
Всички генерирани видео и аудио съдържат SynthID – невидим воден знак, по който Google може да разпознае съдържание от своите модели. Подобна маркировка става стандарт и при конкурентите, както показа решението на OpenAI да маркира текстовете на ChatGPT в ЕС.
Защо е важно
Genie 4 не е продукт, който ще отворите утре на телефона си. Той показва накъде вървят Google и останалите AI компании – от отделни снимки и клипове към цели светове, в които AI агенти и роботи се учат, а създателите на игри и филми скицират идеи за минути. Звукът и управлението с думи правят демонстрациите по-убедителни, но признатите проблеми с последователността подсказват, че до употреба извън лабораторията има още път.
Още инструменти с изкуствен интелект, които вече може да ползвате, следим в рубриката AI инструменти – например как Gemini Live приема снимки и файлове по време на разговор.
