Google DeepMind представи Genie 4: Интерактивен модел на света с реалистична физика, аудио и синтез на хора
Източник: Google DeepMind / The Decoder
Изследователският екип на Google DeepMind направи фундаментален скок в синтеза на виртуални реалности с представянето на Genie 4 – четвърто поколение авторегресивен модел на света (world model), способен да генерира интерактивни 3D среди с физически коректна динамика, пространствено аудио и синтез на човешки движения в реално време [1]. Системата позволява на потребители и автономни агенти да навигират и управляват виртуалния свят със скорост от 60 кадъра в секунда само чрез клавиатура или геймпад.
Архитектура: Сливане на дифузия, каузални трансформатори и акустичен синтез
Genie 4 преодолява ограниченията на по-ранните генератори на видео, които страдаха от висока латентност и временна непоследователност (temporal flicker). Архитектурата разчита на пространствено-времеви VQ-VAE латентни квантувачи, комбинирани с каузален латентен трансформатор, който предвижда следващия кадър и физическото състояние на обектите при латентност под 25 милисекунди.
Ключова новост е интеграцията на мултимодален невронно-акустичен енджин. Когато виртуален персонаж стъпи върху мокър чакъл или удари метален предмет, Genie 4 синтезира съпътстващата акустична вълна с перфектна фазова синхронизация и отражения от стените на виртуалната стая, без да се използват предварително записани аудио семпли.
Платформа за обучение на въплътен изкуствен интелект (Embodied AI)
Отвъд развлекателните симулации Genie 4 е проектиран като универсален генератор на тренировъчни данни за хуманоидни роботи и автономни коли. Вместо да се събират бавни и скъпи данни от физическия свят, роботите могат да преминат през милиони години симулиран опит в Genie 4, тествайки гранични ситуации (edge cases), като заледени настилки или падащи препятствия, при нулев риск от материални щети.
Философски и инженерни последствия от интерактивните светове
Появата на Genie 4 бележи историческото преминаване от статичен анализ на текст и изображения към дълбоко разбиране на причинно-следствените връзки във физическия свят. Езиковите модели се обучаваха върху символни отражения на реалността; моделите на света се обучават директно върху законите на динамиката, оптиката и инерцията.
Тази еволюция превръща границата между компютърна графика, гейминг енджини и изкуствен интелект в отживелица. Когато невронна мрежа може да рендерира, симулира и адаптира сложни светове по-бързо от традиционен полигонален енджин (като Unreal Engine), парадигмата на софтуерния дизайн се променя из основи, отваряйки вратата към автономни агенти, притежаващи интуитивно разбиране за материята и пространството.
Четири стълба на мултимодалния модел на света