Google DeepMind a anunțat marți, 27 octombrie, Genie 4, un model de inteligență artificială care generează lumi interactive împreună cu sunetul lor. Sistemul poate produce zgomote de ambianță, muzică și conversații ale personajelor în timp ce utilizatorul explorează mediul. Compania îl oferă inițial unui grup de testeri, într-o versiune experimentală destinată cercetării.
În demonstrațiile prezentate de DeepMind, utilizatorii navighează cu tastatura și modifică scena prin instrucțiuni scrise. Pot schimba vremea, deplasa camera ori introduce personaje și obiecte în timpul simulării. Personajele generate pot răspunde la intervențiile utilizatorului sau la evenimentele din mediu. Aceste funcții sunt prezentate de companie ca rezultate ale propriilor demonstrații.
Genie 4 folosește și modele din familia Gemini. Potrivit anunțului, Gemini Omni contribuie la aspectul și comportamentul mediilor, iar Gemini 3.8 Flash observă scena și descompune obiectivele în pași. Componenta care urmărește imaginile verifică progresul și adaptează planul când utilizatorul intervine. Accesul pentru abonații Google AI Ultra prin Project Genie și pentru parteneri selectați ai Gemini API și Google AI Studio este anunțat pentru o etapă următoare.
Ce înseamnă o lume generată care poate fi explorată
În documentația seriei Genie, un model al lumii este descris ca un sistem capabil să simuleze aspecte ale mediului și efectele acțiunilor asupra acestuia. Utilizatorul primește imagini care se schimbă odată cu deplasarea sa, iar sistemul anticipează continuarea scenei. Interacțiunea cu mediul a făcut parte și din generația anterioară, înaintea introducerii sunetului nativ în Genie 4. Explicația tehnică pentru Genie 3 preciza că mediul este creat cadru cu cadru, ținând cont de descriere și de acțiunile utilizatorului. La revenirea într-un loc, sistemul trebuie să folosească informația din imaginile generate anterior.
Genie 3 a fost prezentat la 5 august 2025. La acel moment, DeepMind indica generarea unor medii navigabile la 24 de cadre pe secundă și rezoluție de 720p, cu o consistență menținută pentru câteva minute. Acești parametri aparțin versiunii anterioare; anunțul actual despre Genie 4 pune accentul pe interacțiune, realism și integrarea sunetului.
Cercetarea din spatele seriei urmărește și antrenarea ori evaluarea agenților AI în medii simulate. În prezentarea Genie 3, DeepMind explica folosirea unor scenarii variate pentru testarea comportamentului agenților și identificarea slăbiciunilor lor. Această direcție de cercetare continuă în noua generație, care este prezentată împreună cu experimente pentru robotică.
Project Genie are deja un flux de creare a mediilor
Ghidul public pentru Project Genie, redactat pentru Genie 3, descrie separat mediul, personajul și imaginea de previzualizare. Utilizatorul poate preciza peisajul, stilul vizual, obiectele și felul în care se mișcă personajul. Nano Banana Pro produce o imagine preliminară pornind de la descrieri, iar aceasta poate fi ajustată înaintea explorării. Platforma permite și încărcarea unei imagini proprii ca punct de plecare. Exemplele din ghid includ descrierea suprafețelor, a clădirilor și a mișcării vegetației. Pentru personaj, pot fi precizate deplasarea pe jos, saltul, zborul ori urmele lăsate de un vehicul.
Același ghid prezintă posibilitatea de a modifica o lume creată anterior sau una din galerie, schimbând mediul ori personajul. Perspectiva poate fi comutată între vederea prin ochii personajului și cea din exterior. Documentația recomandă descrieri directe ale acțiunilor și detalii despre teren ori mișcare. Acestea sunt funcții documentate ale prototipului existent; noul anunț stabilește separat accesul etapizat la Genie 4.
Marcaj digital pentru imaginile și sunetele sintetice
DeepMind precizează că materialele video și audio produse de Genie 4 vor include SynthID. Tehnologia de marcare digitală este descrisă de Google ca o metodă de identificare a conținutului generat sau modificat cu AI. Semnalul este integrat în material și poate fi detectat prin instrumente tehnice, deși nu este perceptibil pentru privitor sau ascultător.
Documentația SynthID explică faptul că marcajul pentru imagini și secvențe video este adăugat în momentul generării. El este conceput să reziste unor prelucrări obișnuite, între care decuparea, filtrele și compresia cu pierderi. Pentru audio, Google descrie un semnal inaudibil, proiectat să reziste inclusiv adăugării zgomotului, compresiei MP3 și schimbării vitezei.
Google oferă și instrumente pentru verificarea marcajului, inclusiv SynthID Detector, destinat fișierelor de imagine, video și audio. Pagina serviciului descrie verificarea conținutului produs cu modelele Google și ale unor parteneri. Rolul acestui mecanism este identificarea semnalului digital introdus în material, distinct de prezentarea vizuală realistă a unei scene sintetice. Documentația prezintă și verificarea prin încărcarea unui fișier în Gemini și solicitarea unei analize privind prezența marcajului SynthID.
Limitele declarate ale versiunii experimentale
Pe pagina tehnică Genie 4, DeepMind descrie și experimente care combină modelul cu Gemini Robotics. Într-un exemplu, Gemini 4 Argon elaborează un plan cu mai mulți pași, iar instrucțiunile ajung la Genie sub formă de text în timpul simulării. Compania prezintă această combinație ca o aplicație timpurie pentru cercetarea robotică.
Modelul are însă limite explicite. Detaliile vizuale și persistența obiectelor pot varia pe parcursul unei sesiuni, mai ales după modificări complexe sau deplasări prin scenă. Simularea unor interacțiuni între mai mulți agenți rămâne o problemă de cercetare. DeepMind precizează că locațiile reale nu pot fi reproduse cu precizie perfectă, iar textul lizibil constituie încă o dificultate.
Pagina produsului indică sesiuni continue de ordinul câtorva minute, fără a promite interacțiuni îndelungate. Precizia sunetului în timp real este, de asemenea, în curs de îmbunătățire. Compania menține Genie 4 în testare limitată și colectează reacții înaintea extinderii accesului. Materialele demonstrative sunt înregistrări ale unor interacțiuni în timp real, cu secvențe scurtate și rezultate prezentate în scop ilustrativ.