Google DeepMind, Gerçek Zamanlı Sanal Dünya Üreten Genie 4 Modelini Tanıttı

Google DeepMind, yeni dünya modeli Genie 4'ü araştırma önizlemesi olarak duyurdu. Model, metin komutlarıyla yönlendirilebilen sanal ortamlar oluşturuyor. Önceden kodlanmış sahnelere gerek duymuyor; kullanıcı ortamda ilerledikçe görüntüleri kare kare üretiyor. Genie 4 şimdilik yalnızca sınırlı sayıda güvenilir test kullanıcısına açık.

Simülasyon sürerken doğal dille verilen komutlarla sahne değiştirilebiliyor. Kullanıcı havayı değiştirebiliyor, kamerayı başka bir noktaya taşıyabiliyor, ortama yeni karakter ve nesneler ekleyebiliyor. Gemini modelleri bu komutları sahnenin o anki bağlamına uyarlıyor.

Ses ve konuşan karakterler

Önceki sürümle arasındaki başlıca farklardan biri, sesin modele yerleşik olarak eklenmesi. Genie 4, oluşturduğu dünyayla eş zamanlı olarak rüzgâr ve dalga gibi ortam seslerini üretiyor, istenirse sahneye uygun müzik de besteleyebiliyor. Sesin özellikleri de komutlarla değiştirilebiliyor. Sanal karakterler ise hem kullanıcının girdilerine hem de dünyada olup bitenlere göre gerçek zamanlı ve etkileşimli diyalog kurabiliyor. Google DeepMind, ses üretimini modelin temel yetenekleri arasında sayıyor.

Şirket, Genie 4'ün aerodinamik ve çarpışma gibi fiziksel etkileşimleri önceki sürüme göre daha başarılı canlandırdığını söylüyor. İnsan karakterlerin hareketleri daha akıcı ve çevrelerine verdikleri tepkiler daha doğal hale geldi. Kullanıcı yönlendirmelerine de anında karşılık verebiliyorlar.

Google, önceki model Genie 3'ü geçen yıl tanıtmıştı. Klavye komutlarıyla kontrol edilen Genie 3, saniyede 24 kare hızında ve 720p çözünürlükte dünyalar sunuyordu. Genie 4'ün çözünürlüğü henüz açıklanmadı; paylaşılan örnek videolar FHD çözünürlükte ve saniyede 24 kare.

Gemini yönetmen rolünde

Genie 4, Gemini modelleriyle sıkı bir entegrasyon içinde çalışıyor. Genie görüntüleri üretirken Gemini adımları planlıyor ve ortaya çıkan kareleri denetliyor. Google'ın açıklamasına göre Gemini Omni, simülasyonun gerçek dünyadaki görünüm ve davranışlara dayanmasına katkı sağlıyor. Diğer Gemini modelleri ise karmaşık akıl yürütme ve sürekliliği sağlama işlerini üstleniyor. Sistem, verilen hedefi aşamalara bölüp her aşamanın gerçekleşip gerçekleşmediğini izleyebiliyor, ortam değiştiğinde ya da yeni komut geldiğinde planını güncelleyebiliyor. Google'ın paylaştığı örneklerden birinde bu yönlendirici ajan görevini Gemini 3.8 Flash üstleniyor.

Şirket ayrıca Gemini 4 Argon ile Genie 4'ü birleştirerek Apptronik'in insansı robotu Apollo'nun dama oynadığı bir simülasyon üzerinde çalıştığını açıkladı.

Google Araştırma Direktörü Tejas Kulkarni, gelecekte bu iki modelin birlikte çalıştığı yapıların yaygınlaşacağını söyledi:

"Gelecekte giderek daha fazla göreceğimiz şey, Gemini'ın kod ve metin ürettiği, Genie'nin ise bunları gerçek zamanlı olarak işleyip farklı soyutlama düzeylerinde gerçekliği simüle ettiği hibrit dünya modelleri olacak"

Sınırlamalar

Google, modelin kusursuz olmadığını kabul ediyor. Simülasyon uzadıkça üretilen dünyadaki tutarlılık azalıyor ve bozulmalar artıyor. Arka arkaya çok sayıda karmaşık komut verilmesi de bu sorunları büyütebiliyor. Şirket, özellikle karmaşık fiziksel etkileşimlerde ve uzun süren simülasyonlarda geliştirilmesi gereken alanlar bulunduğunu belirtiyor.

Kullanım alanları

Dünya modelleri, yalnızca görüntü ya da video üretmeyi değil, fiziksel bir ortamın nasıl davranacağını ve içindeki olayların nasıl gelişeceğini simüle etmeyi hedefliyor. Google bu yaklaşımı yapay genel zekaya (AGI) giden yolda önemli görüyor. Şirket, bu modellerin robotlar ve yapay zeka ajanları için güvenli ve çeşitlendirilebilir eğitim ortamları sağlayabileceğini düşünüyor.

Önerilen diğer kullanım alanları arasında oyun, etkileşimli öğrenme ve robotik bulunuyor. Film yapımcıları çekimden önce sanal ortama girip kamera açısı, ışık, diyalog ve karakter hareketlerini deneyebilir. Oyun geliştiricileri de oyun motorunda çalışmaya başlamadan önce doğal dil komutlarıyla gezilebilir prototipler hazırlayabilir. Gazetecilik ve eğitimde de bazı senaryolar araştırılıyor: Arşivdeki iki boyutlu bir fotoğraf içinde dolaşılabilen bir mekâna çevrilebilir, sel ya da orman yangını gibi olayların seyri görselleştirilebilir. Varsayımsal bir başka örnekte kullanıcı, tarihi bir olayı betimleyen bir tablonun içine girip oradaki karakterlerle o olay üzerine konuşabiliyor.

Erişim ve fiyat

Google, geniş erişimden önce test kullanıcılarından geri bildirim toplamayı ve modelin sınırlarını değerlendirmeyi planlıyor. Tüketiciler tarafında ilk olarak Google AI Ultra aboneleri modele Project Genie üzerinden ulaşabilecek. Erken erişim ortaklarına da Gemini API ve Google AI Studio üzerinden sunulması hedefleniyor. Erişimin ileride AI Pro ve AI Plus aboneliklerine genişletilmesi ihtimali bulunsa da şirket bunun için bir takvim vermedi.

Google AI Ultra aboneliği aylık yaklaşık 100 dolardan başlıyor. Genie 4'ün API üzerinden kullanım ücreti henüz belli değil. Project Genie'de kullanım sınırları uygulanacak. Üretilen görüntü ve seslere SynthID dijital filigranı eklenecek. Erken erişim için bir bekleme listesi de açıldı.

Sektörde rekabet ve satın almalar

Duyuru, yapay zeka video girişimi Runway'in, kullanıcı girdilerine dinamik yanıt veren ve ses de üreten ikinci dünya modeli GWM Worlds 2'yi piyasaya çıkarmasından birkaç ay sonra geldi. Dünya modeli alanında birleşmeler de hızlandı. Fei-Fei Li'nin kurduğu World Labs AMD tarafından satın alınıyor, Amazon ise Decart'ı satın almak için görüşme yürütüyor. Rivian da otonom sürüş testleri için simülasyon yetenekleri kazanmak amacıyla Third Dimension şirketini satın aldı.

Google DeepMind, Google'ın çatı şirketi Alphabet'e bağlı yapay zeka araştırma laboratuvarı. AlphaFold ve Gemini modellerini de bu ekip geliştirdi.