Google posúva hranice, model Genie 3 vytvára interaktívne svety v reálnom čase

Google opäť posúva hranice umelej inteligencie predstavením svojho najnovšieho generatívneho modelu Genie 3. Model dokáže na základe textu alebo obrázka v reálnom čase generovať komplexné, trojrozmerné svety, v rámci ktorých je možné interagovať niekoľko minút bez prerušenia.

Genie 3 zároveň prináša nový spôsob, ako sa môžu autonómni agenti učiť a rozvíjať bez potreby fyzického prostredia. DeepMind ho preto označuje za dôležitý krok na ceste k všeobecnej umelej inteligencii.

Genie 3 prichádza ako tretia generácia v sérii systémov Genie. Na rozdiel od predchádzajúcich verzií prináša podstatné zlepšenia v dĺžke, stabilite a flexibilite interakcie. Kým Genie 2 umožňoval približne jednu minútu skúmania generovaného sveta, nový model ponúka niekoľkominútovú plynulú interakciu s dôrazom na konzistentnosť scén a objektov. Vizualizácie prebiehajú v rozlíšení 720p pri frekvencii 24 snímok za sekundu, čo výrazne zvyšuje realistickosť zážitku.

Jednou z najvýraznejších noviniek je modul nazvaný „promptable world events“. Vďaka nemu môže používateľ počas interakcie dodatočne meniť prostredie, napríklad zmeniť počasie, pridať objekty alebo postavy. Zmeny sa okamžite prejavia a stávajú sa súčasťou prebiehajúcej simulácie. Zároveň si Genie 3 udržiava „pamäťový model“ scény. Objekty zostávajú na svojich miestach aj po ich dočasnom opustení pohľadom, čím systém dosahuje vyššiu úroveň priestorovej konzistencie.

DeepMind vníma tento model ako významný krok smerom k vývoju všeobecnej umelej inteligencie (AGI). Genie 3 slúži ako tréningové prostredie pre autonómnych agentov a robotov, ktorí sa môžu učiť prostredníctvom virtuálnych simulácií bez potreby interakcie s reálnym svetom. V praxi by to mohlo viesť k efektívnejšiemu vývoju robotických systémov alebo pokročilých virtuálnych asistentov, schopných samostatne navigovať a konať v komplexných podmienkach.

Predchádzajúce verzie Genie sa zameriavali predovšetkým na 2D alebo jednoducho štruktúrované svety. Prvá verzia (z roku 2023) dokázala simulovať jednoduché 2D hry bez potreby anotovaných akčných dát, pričom každý obraz generovala snímku po snímke. Genie 2, predstavený v decembri 2024, rozšíril možnosti o 3D vizualizáciu a základnú fyziku, no interakcie ostávali krátke a menej stabilné.

Z pohľadu interakcie je však Genie 3 stále v počiatočnom štádiu. AI agenti, ktorí sa pohybujú v generovaných svetoch, nemajú možnosť tieto svety meniť, chýba im vysoká úroveň rozhodovania potrebná na úpravu simulácie. DeepMind tiež stále experimentuje s možnosťou, aby v jednom prostredí spolu existovalo a interagovalo viacero AI agentov.

Model zatiaľ taktiež nedokáže presne vygenerovať reálne lokality, a výrazne zaostáva pri zobrazovaní textu v scéne. Simulovaný svet je tiež schopný udržať len niekoľko minút. Pre reálne využitie by však bolo potrebné dosiahnuť hodinové trvanie so zachovaním konzistencie. DeepMind tieto výzvy otvorene priznáva, no zároveň tvrdí, že Genie je už teraz dostatočne vyspelý na to, aby mohol mať reálny dopad.

Model je zatiaľ dostupný len pre vybrané skupiny výskumníkov a vývojárov. Spoločnosť uviedla, že pracuje na dôkladnom vyhodnotení bezpečnostných rizík a etických otázok, ktoré by mohli vyplynúť zo širšieho nasadenia podobných systémov. Zatiaľ nie je známe, kedy a či vôbec sa Genie 3 dostane k širšej verejnosti.

Do úvahy je tiež potrebné brať fakt, že za vizuálnou plynulosťou a interaktivitou Genie 3 sa skrýva obrovský výpočtový výkon. Model v podstate renderuje veľmi dlhé video tak rýchlo, že pôsobí ako interaktívne prostredie. Hoci DeepMind nezverejnil technické detaily o výkone ani nákladoch, fakt, že model nie je verejne dostupný, svedčí o jeho náročnosti. Ani prémioví používatelia platenej AI infraštruktúry zatiaľ k Genie 3 nemajú prístup.