Genie 4 от DeepMind: ИИ-миры со звуком и управлением вживую

Google DeepMind анонсировала Genie 4 — новую версию своей «модели мира». Это ИИ-система, которая генерирует интерактивную среду, где можно перемещаться в реальном времени, а не готовый видеоролик. Главные новшества — собственный звук и управление текстовыми подсказками прямо во время работы, говорится в анонсе DeepMind от 27 октября.

Что нового в Genie 4

DeepMind выделяет четыре основных шага вперёд:

• Управление в реальном времени. Пока мир работает, можно написать инструкцию — сменить погоду, передвинуть камеру, добавить человека или предмет, — и Gemini подстроит подсказку под сцену. Между вашими командами Gemini также следит, чтобы мир развивался последовательно. Перемещение — обычными клавишами.
• Более реалистичная физика и люди. По словам DeepMind, Genie 4 симулирует, например, аэродинамику и столкновения, а самый большой скачок — в персонажах-людях, которые естественно двигаются и реагируют на окружение.
• Собственный звук. Это первая модель мира компании, генерирующая звук вместе с картинкой: ветер в деревьях, волны, музыку и интерактивные диалоги, когда персонажи говорят и отвечают вам.
• Многошаговые события. Gemini 3.8 Flash работает как агент-проводник: разбивает цель на шаги, просматривает сгенерированные кадры, проверяет, удался ли каждый шаг, и меняет план, если вмешивается пользователь.

DeepMind также показала исследовательское демо: Gemini 4 Argon планирует задачу — гуманоид Apollo от Apptronik играет в шашки — и передаёт шаги в Genie 4 как подписи. Это ранний пример того, как сгенерированные миры могут служить тренажёром для роботов.

Кто может воспользоваться

Пока Genie 4 — исследовательское превью для доверенных тестировщиков. DeepMind обещает «скоро» открыть доступ подписчикам Google AI Ultra в Project Genie и партнёрам раннего доступа в Gemini API и Google AI Studio; есть лист ожидания. Цены и даты более широкого запуска не названы. Всё сгенерированное видео и аудио помечается водяным знаком SynthID.

Ограничения, которые признаёт DeepMind

Компания называет Genie 4 ранней экспериментальной моделью. На коротких сессиях сцены остаются цельными, но постоянство объектов и детали могут «плыть» со временем — особенно в длинных сессиях или после многих правок подсказки. Над сложным физическим взаимодействием, точностью звука, читаемым текстом, пространственной точностью и долгосрочной согласованностью ещё работают.

Почему это важно

Тестировщики уже пробуют модель для превизуализации фильмов, превращения архивных фото в сцены, которые можно исследовать, и прототипирования игр ещё до написания кода движка. Для ИИ-лабораторий модели мира — это ещё и тренировочные площадки для роботов и агентов. О «железе» для собственного ИИ читайте наши гиды: сколько VRAM нужно для локального ИИ и что такое NPU; а о моделях, которые можно скачать, а не арендовать, — что такое модели с открытыми весами.