Google razvija razne modele koristeći mogućnosti generativne umjetne inteligencije, a jedan od njegovih posebno zanimljivih projekata jest model svijeta Genie. Širu je javnost prvi put snažnije zainteresirao u ljeto 2025., kada je tvrtka predstavila Genie 3, koji je omogućio stvaranje interaktivnog grafičkog prostora. Sada je stigla nova verzija koja donosi važan iskorak.
Genie 4, koji razvija DeepMind, dosad je najbolji model svijeta. Ovaj alat stvara interaktivna okruženja koja korisnici mogu istraživati i mijenjati u stvarnom vremenu uputama na prirodnom jeziku. Svaka promjena odmah utječe na tijek simulacije i oblikuje iskustvo prema korisnikovim željama.
Za razliku od prethodnih generacija, Genie 4 uz sliku izravno generira i zvukove te dijaloge, čime zaokružuje doživljaj.
Kao što je poznato, Genie 4 nije klasičan model za generiranje videa, nego interaktivni simulator čije korištenje uvelike podsjeća na ulazak u videoigru. Nakon unosa proizvoljnog tekstualnog upita korisnik se odmah može upustiti u istraživanje generiranog svijeta, u kojem tipkovnicom i mišem upravlja kretanjem i kutom gledanja. Može se slobodno osvrtati i kretati prostorom sve dok simulacija traje.
Najdojmljivija mogućnost novog modela Genie jest „upravljanje uživo”: korisnik može mijenjati okruženje u hodu, upisujući tekstualne upute dok simulacija traje. Tako može neprestano proširivati virtualni prostor, ali i mijenjati cijelo okruženje. Primjerice, na otvorenom može promijeniti vremenske prilike ili doba dana. Naredbama se mijenja i položaj kamere te dolazi do novih alata. Pomalo podsjeća na upisivanje šifri za varanje u GTA-u.
Zahvaljujući prerađenoj arhitekturi i tehnološkim poboljšanjima, simulacija pojedinog svijeta može trajati dulje nego prije, no i dalje je riječ o vrlo kratkom vremenu. Korisnicima su na raspolaganju samo dvije minute, koliko Genie 4 može jamčiti stabilnost i dosljednost zamišljenog prizora. To je dvostruko dulje nego što je Genie 3 mogao 2025. godine. Treba dodati da bi se u simulacijama zapravo već moglo provoditi znatno više vremena, no tada se pojavljuju pogreške, gubitak konteksta i drugi problemi. Google zato mogućnosti ograničava vremenom, a ne brojem tokena.
Generiranje zvuka uvedeno u Genie 4 svakom virtualnom prostoru daje vlastito akustičko okruženje. Šum vjetra, žuborenje vode i zvuk koraka nastaju u stvarnom vremenu, u skladu s radnjama u simulaciji. Boravak u njoj tako postaje znatno uvjerljiviji, a virtualni prostor još snažnije uvlači korisnika. Ako se u prizoru nalazi više ljudi, likovi neće samo šutke hodati, nego mogu započeti razgovor i obratiti se korisniku. Interaktivnost će obuhvatiti i razgovore, pa će i izgovorene riječi utjecati na razvoj svijeta.
Posebno je važno što simulacija uključuje i realističnu fiziku, s gravitacijom i međudjelovanjem objekata. Model svijeta Genie 4 simulira posljedice sudara predmeta, utjecaj vjetra na drveće, pa čak i kretanje vode. Ako list padne u vodu, poremetit će njezinu površinu i proizvesti zvuk, a ako korisnik zagazi u jezero, nastat će mnogo veća buka i izraženi valovi.
Za stabilan rad modela Genie 4 istraživači DeepMinda koriste gotovo sve važnije modele Gemini. Gemini Omni stvara brojne elemente vizualnog svijeta, primjerice teksture i realistične obrasce ponašanja. Gemini 3.8 Flash djeluje u pozadini kao interni agent simulacije: neprestano prati generirane kadrove, provjerava korisnikove ciljeve i pomaže održavati prostornu dosljednost, sprječavajući raspad svijeta.
Istraživači su u rad modela Genie 4 eksperimentalno uključili i Gemini 4 Argon. Njime su stvorili vrlo složene simulacije u kojima se robot kretao potpuno realistično, s pokretima udova kakvi bi bili i u stvarnosti. U osnovi su izradili digitalnog blizanca robota za simuliranje različitih situacija, pomoću kojeg mogu i obučavati robota. Nije riječ o fikciji: Genie 4 doista je na taj način pridonio obuci robota Apptronik Apollo.
Prema istraživačima Google DeepMinda, razvoj modela svijeta jedan je od ključnih koraka prema općoj umjetnoj inteligenciji (AGI). U budućnosti bi mogao znatno pridonijeti robotici, razvoju agenata, kreativnim industrijama poput filmske produkcije te razvoju videoigara.
Razvojni tim u svojem je izvješću istaknuo i da je tehnologija još daleko od opće primjene. Proći će još mnogo vremena prije nego što korisnik sjedne za računalo i umjesto pokretanja omiljene igre počne tekstualnim upitima stvarati vlastiti svijet prema trenutačnoj zamisli ili ovom tehnologijom snimi film. Dulji prizori i uzastopne izmjene dovode do raspada simulacije. I Genie 4 još ima poteškoća s tekstom, a ne snalazi se ni sa složenim fizikalnim pojavama, osim ako mu se opiše što se treba dogoditi.
Kako bi spriječio zlouporabe, Google svim videozapisima i zvučnim zapisima koje generira Genie 4 dodaje svoj „nevidljivi” digitalni otisak SynthID. Time se zlouporabe mogu spriječiti ili barem smanjiti jer će društvene platforme na kojima bi se takvi sadržaji mogli širiti označavati te materijale.
Genie 4 trenutačno se može isprobati uz ograničen pristup u sklopu istraživačke pretpremijere. Šira dostupnost uvodit će se postupno, a raniji će pristup dobiti oni koji više plaćaju, što vjerojatno nikoga neće iznenaditi. Prvi će pristup dobiti pretplatnici paketa Google AI Ultra, no i oni će morati čekati na listi čekanja.
