Genie 4: Google DeepMindの次世代ワールドシミュレーション

Genie 4の概要

Genie 4は、インタラクティブでフォトリアルな環境を生成できるGoogle DeepMindの新しいワールドモデルです。ネイティブなマルチモーダル性を備えており、環境音、音楽、インタラクティブな対話などの音声を、視覚的なシミュレーションと同時に生成します。Geminiファミリーの機能を統合することで、Genie 4はユーザーが自然言語を使用してリアルタイムでシミュレーションを操作することを可能にし、環境の一貫性を保ちながら天候、カメラアングル、シーンの内容を動的に変更できます。

主要な技術的能力

Genie 4は、以下の4つの主要な技術的柱を通じてワールドシミュレーションを進化させています。

• リアルタイムのワールドシェイピング: ユーザーは自然言語を使用して、シミュレーションをその場で変更できます。Geminiモデルがシーンを監視し、ユーザーの入力が文脈に合わせて適応され、インタラクションの間も世界が首尾一貫して進行し続けることを保証します。
• リアリズムの向上: このモデルは、空気力学や衝突のシミュレーションを含む、物理的な理解の向上を示しています。特に、自然な人間の動きや有機的なキャラクターの反応をレンダリングすることに長けています。
• ネイティブな音声生成: Genie 4は、同研究所から初めてネイティブに音声を生成するリアルタイムワールドモデルです。これには、環境音や、キャラクターがユーザーの入力やイベントに反応するインタラクティブなリアルタイム対話が含まれます。
• 複雑なイベントモデリング: Gemini 3.8 Flashをガイドエージェントとして活用することで、システムは多段階の目標をシーケンスに分解し、シミュレーション内での信頼性の高い因果関係と手続き的な動作を可能にします。

統合と研究への応用

Genie 4は、クリエイティブおよび技術的なワークフローの両方において、基盤ツールとして機能するように設計されています。現在、クリエイティブ業界、ジャーナリズム、教育、エンジニアリングのグループによってテストが行われています。

ロボティクス分野では、このモデルはGemini 4 Argonと組み合わせて、人型ロボットが物体と相互作用するような複雑なタスクをシミュレートするために使用されています。指示をリアルタイムのステップに分解することで、研究者はエージェントを現実世界に展開する前に、多様な環境でその動作をテストできます。その他の応用例としては、映画制作者向けの迅速なプリビジュアライゼーション、ジャーナリスト向けの歴史的シナリオの再現、ゲーム開発者向けのインタラクティブなプロトタイプ設計などがあります。

安全性と可用性

Google DeepMindは、有害または悪意のあるコンテンツの生成を防ぐために、厳格な安全ガードレールと内部評価を実装しています。透明性を確保するため、Genie 4によって生成されたすべてのコンテンツには、音声と視覚の両方のモダリティに対する目に見えないデジタル透かし技術であるSynthIDが含まれています。

Genie 4は現在、信頼できるテスター向けのプレビュー版として提供されています。Project GenieのGoogle AI Ultraサブスクライバー、およびGemini APIとGoogle AI Studioの早期アクセスパートナー向けに展開される予定です。同研究所は、このモデルが初期段階の進化中の研究プロジェクトであることを認めており、現在の制限事項として、長時間のシミュレーションセッションにおけるオブジェクトの永続性、空間精度、長期的な一貫性の潜在的なドリフトが挙げられます。