Google DeepMind stellt Weltmodell Genie 4 mit Echtzeit-Bearbeitung und Audio vor
Genie 4 steht ausgewählten Testern als Research Preview zur Verfügung, Zugang für Abonnenten von Google AI Ultra soll später folgen.
Google DeepMind hat Genie 4 angekündigt, die nächste Version seines Weltmodells Genie. Als Research Preview geht es zunächst an einen kleinen Kreis ausgewählter Tester. Laut Unternehmen erzeugt das Modell interaktive Umgebungen in Echtzeit. Google hebt vier Neuerungen hervor: Nutzer können eine laufende Simulation mit Prompts in natürlicher Sprache verändern. Physik und Figuren simuliert das Modell überzeugender als bisher. Es ist das erste Echtzeit-Weltmodell, das Audio nativ erzeugt. Und Gemini 3.8 Flash lenkt die Simulation als Agent. Im Beitrag von Google DeepMind, verfasst von Raia Hadsell, Diego Rivas und Hang Qi, heißt es, der Zugang werde schrittweise ausgeweitet. Den Anfang machen Abonnenten von Google AI Ultra in Project Genie sowie Early-Access-Partner der Gemini API und von Google AI Studio. Vor einer breiteren Freigabe für Endkunden und Entwickler sammelt das Unternehmen Feedback. Interessierte können sich in Project Genie auf eine Warteliste setzen lassen.
Die Bearbeitung in Echtzeit gehört zu den Neuerungen, die Google besonders betont. Dem Beitrag zufolge kann ein Nutzer etwa eintippen, dass sich das Wetter ändern, die Kamera bewegen oder eine neue Person oder ein neues Objekt auftauchen soll. Gemini passt diesen Prompt an die bestehende Szene an. Zwischen den Eingaben beobachtet Gemini die Szene zudem und steuert sie so, dass sich die Welt schlüssig weiterentwickelt. Die Demonstrationen wurden mit gewöhnlicher Tastatursteuerung für Navigation und Kamerabewegung aufgezeichnet, Text-Prompts lenkten die Szene, während sie sich entfaltete.
An der Architektur lässt sich ablesen, wie Genie 4 auf Gemini zurückgreift. Das Modell nutzt Fähigkeiten der Gemini-Familie: Gemini Omni verankert die Simulationen im Aussehen und Verhalten der realen Welt, andere Gemini-Modelle liefern das logische Denken, das eine Szene stimmig und durchgängig hält. Am konkretesten ist die Rolle von Gemini 3.8 Flash, das der Beitrag als steuernden Agenten im Loop beschreibt. Während Genie 4 eine Welt erzeugt, beobachtet Gemini die Szene, zerlegt ein Ziel in eine Abfolge von Schritten und prüft anhand der eintreffenden Frames, ob jeder Schritt gelungen ist. Verändert sich die Welt oder greift ein Nutzer ein, passt es seinen Plan an. Dadurch, so der Beitrag, werden Welten mit verlässlicher Kausalität und mehrstufigem Verhalten möglich.
Bei Physik und Menschen stützen sich die Aussagen auf Googles eigene Demonstrationen. Laut Beitrag simuliert Genie 4 Szenarien wie Aerodynamik und Kollisionen. Die auffälligste Veränderung betreffe die Darstellung von Menschen: Figuren bewegen sich natürlich und lassen sich interaktiv steuern. Gezeigt werden unter anderem eine Wassermelone auf einem Steinsockel, ein fallender Ahornsamen, ein überfüllter Bahnsteig und eine Drachenrennen-Sequenz aus der Ich-Perspektive, jeweils mit den Prompts, die sie erzeugt haben. Benchmark-Ergebnisse, Fehlerraten oder direkte Vergleiche mit früheren Genie-Versionen enthält der Beitrag nicht. Die Behauptung eines höheren Realismus beruht daher auf den eigenen Demonstrationen des Unternehmens.
Für das Audio gilt eine ähnliche Einschränkung. Google schreibt, Genie 4 sei sein erstes Echtzeit-Weltmodell, das Audio nativ erzeugt. Es produziert Umgebungsgeräusche wie Wind in den Bäumen sowie interaktive Dialoge, die sich spontan anpassen. Laut Beitrag werden Musik, Umgebungsgeräusche und Sprache gemeinsam mit dem Bild erzeugt und nicht nachträglich hinzugefügt. Offen bleibt, wie lange Dialoge dauern können, wie viele Figuren gleichzeitig sprechen können und wie genau die Sprache mit den Lippenbewegungen synchronisiert ist.
Jack Clark, Autor des Newsletters Import AI, wies darauf hin, dass die Qualität derzeit noch grob ist. Er bezeichnete die Technologie als ziemlich holprig und verwies auf roboterhafte Stimmen und eine traumartige Inkonsistenz der dargestellten Umgebungen. Den größeren Reiz sieht er darin, maßgeschneiderte Welten für Unterhaltung und möglicherweise für Daten zu erzeugen.
Was sich ändert
Art: Neue Funktion · Betrifft: Genie 4, Project Genie, Gemini 3.8 Flash, Google AI Ultra
Warum es wichtig ist
Unternehmen, die an Simulationen, Spielinhalten oder synthetischen Trainingsumgebungen arbeiten, könnten ein Werkzeug erhalten, das interaktive Welten aus Text erzeugt. Da der Zugang vorerst begrenzt ist, beschränkt sich der kurzfristige Einsatz auf Tests.
Was Sie tun können
Wenn Ihr Team Simulationen oder interaktive Inhalte entwickelt, prüfen Sie Genie 4 über die Research Preview, planen Sie aber noch keinen produktiven Einsatz.
Originalquelle
Wo wir es gesehen haben
Import AI (Jack Clark), Turing Post
KI hat diese Zusammenfassung aus den genannten Quellen geschrieben und ins Deutsche übersetzt. Niemand hat sie vor der Veröffentlichung einzeln geprüft. Bitte prüfen Sie die Originalquelle, bevor Sie sich darauf verlassen. So funktioniert es