Google’ning Genie 4 world modeli audio, yanada realistik olamlar va simulyatsiya jarayonini real vaqtda boshqarish imkonini beradi
Google DeepMind real vaqtda audio yaratadigan, yanada realistik simulyatsiyalarni ta’minlaydigan va simulyatsiya davomida berilgan matnli ko‘rsatmalarni…
Google DeepMind real vaqtda audio yaratadigan, yanada realistik simulyatsiyalarni ta’minlaydigan va simulyatsiya davomida berilgan matnli ko‘rsatmalarni bajaradigan Genie 4 world modelini ishonchli sinovchilar uchun tadqiqot preview formatida taqdim etdi.
Google DeepMind seshanba kuni o‘zining yangi world modeli — Genie 4’ni tadqiqot preview sifatida chiqardi. Yangi model hozirgacha yaratilgan eng fotorealistik va interaktiv olamlarni hosil qiladi. Foydalanuvchilar simulyatsiya davomida matnli ko‘rsatmalar kiritib, sahnani o‘zgartirishi mumkin. Model simulyatsiya qilinayotgan olamga mos real vaqtdagi audioni ham yaratadi: musiqa, atrof-muhit shovqinlari va foydalanuvchi bilan interaktiv muloqot shular jumlasidan.
Genie 4’ning chiqishi AI video startapi Runway o‘zining ikkinchi world modeli — GWM Worlds 2’ni taqdim etganidan bir necha oy o‘tib sodir bo‘ldi. Bu foydalanuvchi harakatlariga dinamik javob beradigan va audio yaratish imkoniyatiga ega o‘ynaladigan modeldir. Shu bilan birga, world model bozori ham birlashish bosqichiga kirmoqda. Fei-Fei Li asos solgan World Labs kompaniyasini AMD sotib olmoqda, Amazon Decart’ni xarid qilish bo‘yicha muzokaralar olib bormoqda, Rivian esa o‘z-o‘zini boshqaradigan avtomobillarni sinash uchun simulyatsiya imkoniyatlarini kompaniya ichiga olib kirish maqsadida Third Dimension’ni yaqinda sotib oldi.
Genie 4 — Google’ning gavjum va raqobat kuchli bo‘lgan bu yo‘nalishda yetakchilikni saqlab qolish uchun tashlagan navbatdagi qadami.
Google Genie 4’dan oldingi Genie 3 modelini bir yildan sal ko‘proq vaqt avval tadqiqot preview sifatida chiqargan edi. Genie 4 ancha fotorealistik bo‘lishi va audio yaratishidan tashqari, real vaqtda ob-havo yoki kamera burchagini o‘zgartirish, shuningdek, sahnaga yangi odamlar va obyektlar qo‘shish kabi erkin tahrirlarni ham qo‘llab-quvvatlaydi. Model izchil sahnani ikki daqiqagacha saqlab qola oladi — bu avvalgi modeldagi chegaradan ikki baravar ko‘p. Shuningdek, unda fizika qonunlari aniqroq ishlaydi va personajlar odamga yanada o‘xshab harakat qiladi.
Google’ning AI modeli Gemini ham Genie 4 bilan yanada yaqindan integratsiya qilingan. Gemini rejissyor vazifasini bajarib, kerakli qadamlarni rejalashtiradi va kadrlarni tekshiradi, Genie esa vizual tasvirlarni yaratadi. Gemini Robotics bilan bog‘liq tadqiqotda Gemini 4 Argon modeli vazifalarni bosqichlarga ajratib, ularni Genie 4 yordamida real vaqtda simulyatsiya qildi. Bu tajriba robotlar bilan bog‘liq ssenariylarni haqiqiy dunyoda amalga oshirishdan oldin simulyatsiyada sinab ko‘rishning mumkin bo‘lgan usulini ko‘rsatadi.
“Kelajakda biz tobora ko‘proq gibrid world modellarini ko‘ramiz. Bunday tizimlarda Gemini kod va matn yozadi, Genie esa ularni real vaqtda qabul qilib, voqelikni turli darajadagi tafsilotlarda simulyatsiya qiladi”, — dedi Google tadqiqot direktori Tejas Kulkarni brifing davomida.
Boshqa world modellar singari, Genie 4 uchun ham asosiy tijoriy qo‘llanish sohalari sifatida o‘yinlar, interaktiv ta’lim va robototexnika tilga olinmoqda. Interaktiv ta’limga misol sifatida tarixiy voqea tasvirlangan kartinaga kirib, undagi qahramonlar bilan tasvirlangan voqea haqida suhbatlashish mumkin.
Biroq Google’ning eng ilg‘or mahsulotlariga birinchi bo‘lib kirish huquqiga ega “ishonchli sinovchilar” yangi ehtimoliy yo‘nalishga — filmlarning dastlabki prototiplarini yaratishga e’tibor qaratmoqda.
“Real vaqt rejimi ijod jarayonida fikr va ilhom oqimini uzmaslik juda muhim bo‘lgan holatlarda ayniqsa katta qiymat beradi”, — dedi Google DeepMind muhandisi Diego Rivas matbuot brifingida. “Masalan, g‘oya izlash yoki storyboard tayyorlash bosqichida — qisqa vaqt ichida ko‘plab g‘oyalarni sinab ko‘rish kerak bo‘lgan har qanday vaziyatda.”
Google, shuningdek, Veo modelini ham taklif qiladi. Bu matn, rasm yoki video ko‘rsatmalaridan yuqori aniqlikdagi, audiosi videoga sinxronlashtirilgan kliplar yaratadigan AI video modelidir. U kino ijodkorlari orasida tobora ommalashib bormoqda.
Rivasning qo‘shimcha qilishicha, kelajakda foydalanuvchilar tasvir, audio va matndan video yarata oladigan multimodal katta til modeli Gemini Omni yordamida bu prototiplarni tayyor ijodiy materiallarga aylantirishi mumkin. Biroq uning aytishicha, bunday imkoniyatlar hali ancha uzoqda.