Зөвхөн дүрс биш, дуу авиа ба физикийг шууд үүсгэнэ: Google DeepMind интерактив ертөнцийн загвар "Genie 4"-ийг танилцууллаа

Хиймэл оюуны салбарт статик зураг болон богино хэмжээний видео үүсгэх түвшин хэдийнэ энгийн үзэгдэл болсон билээ. Харин физикийн хуулиуд үйлчилдэг, хэрэглэгчийн үйлдэлд бодит хугацаанд (real-time) хариу үйлдэл үзүүлдэг 3D виртуал орчныг бүтээх "World Model" (Ертөнцийн загвар)-ийн судалгаа дараагийн томоохон давалгаа болоод байна.

Google DeepMind энэ чиглэлд томоохон үсрэлт хийж, хамгийн сүүлийн үеийн Genie 4 загвараа албан ёсоор зарлалаа. Өмнөх хувилбаруудаас ялгаатай нь энэхүү загвар нь дүрсийг хөдөлгөөнд оруулаад зогсохгүй, тухайн орчны дуу авиа, физик үзэгдэл болон дүрүүдийн яриаг шууд симуляци хийж чаддагаараа онцлогтой.

Видео генератороос бүрэн интерактив ертөнц рүү

Sora, Veo зэрэг уламжлалт видео үүсгэгч загварууд нь өгөгдсөн промптын дагуу тогтмол фреймүүд бүхий видео бичлэг л гаргадаг. Харин World Model буюу Genie 4 нь тоглоомын хөдөлгүүр (game engine) шиг ажилладаг. Хэрэглэгч гараас товчлуур (keyboard controls) ашиглан үүссэн орчин дундуур камераа хөдөлгөж, чөлөөтэй шилжин явах боломжтой.

Хамгийн гайхалтай нь энэхүү симуляци явагдаж байх үед хэрэглэгч байгалийн хэлээр (natural language) орчныг шууд удирдах (steering) чадвартай. Тухайлбал, орчин дотор явж байхдаа "гэнэт бороо оруул", "камерын гэрлийг үүр цайх үеийнх болго" эсвэл "зам дээр саад тавь" гэж бичихэд загвар нь фрейм хоорондын уялдааг алдагдуулахгүйгээр real-time горимд симуляцийг өөрчлөн дүрсэлж чадаж байна.

Төрөлхийн дуу авиа (Native Audio) ба хүний хөдөлгөөний үсрэлт

Genie 4-ийн өмнөх үеийн Genie 3 загвар 2025 онд гарч байх үед гол сул тал нь дуу авиа огт үүсгэдэггүйд оршиж байсан юм. DeepMind энэ удаад дуу авианы генераторыг тусад нь залгах бус, харин мультимодал суурь архитектуртаа төрөлхөөр (natively) шингээж өгчээ.

Орчны амьд чимээ: Далайн давалгаа, салхи шуурга, машины моторын дуу нь хэрэглэгчийн камерын байрлал болон зайнаас хамааран бодит акустиктайгаар үүснэ.
Интерактив харилцан яриа: Дэлгэц дээр гарч буй дүрүүд зөвхөн хөдлөх бус, хэрэглэгчийн өдөөсөн сэдвийн дагуу хоорондоо болон хэрэглэгчтэй шууд дуу хоолойгоор харилцан ярьдаг.
Биомеханик ба физик: Өмнөх хувилбаруудад хүмүүсийн хөдөлгөөн модон, механик харагддаг байсан бол Genie 4 дээр хүний алхаа, нүүрний хувирал, хувцасны даавууны долгион, шингэний урсац болон мөргөлдөөний физик (cloth physics, aerodynamics, collision) маш нарийн бодитой болсон байна.

Архитектур: Gemini-ийн хүч ба "Чиглүүлэгч агент"

Genie 4-ийг бүтээхэд Google-ийн хамгийн хүчирхэг Gemini загваруудын хослолыг ашиглажээ.

Gemini Omni: Бодит ертөнцийн үзэгдэл, объектуудын шинж чанар, дүр төрхийг хариуцан зурна.
Gemini 3.8 Flash (Guiding Agent): Симуляци урт хугацаанд үргэлжлэхэд тулгардаг гол асуудал болох логик алдагдах (drift)-аас сэргийлэх хянагчаар ажилладаг. Энэхүү агент нь фрейм бүрийг ажиглан, хэрэглэгчийн тавьсан зорилго биелж байгаа эсэхийг баталгаажуулж, объектын тогтвортой байдлыг (object permanence) хадгалдаг байна.

Роботик болон AGI-д яагаад чухал вэ?

Хөгжүүлэгчид болон судлаачдын хувьд энэ загвар нь зөвхөн тоглоом хөгжүүлэлтийн хэрэгсэл биш юм. World Model-ийн хамгийн суурь хэрэглээ нь биежсэн хиймэл оюун (Embodied AI) болон роботуудыг сургах виртуал орчин (digital twin) болдогт оршино.

Бодит роботыг физик орчинд сая сая цаг алдаа гаргуулан сургах нь зардал ихтэй бөгөөд аюултай. Харин Genie 4 шиг физикийн хууль болон дуу чимээ, харагдах байдлыг алдаагүй симуляци хийж чаддаг дижитал ертөнцөд агентууд богино хугацаанд сая сая хувилбараар бэлтгэгдэх боломж бүрдэж байна. DeepMind хэдийнэ уг загвараа өөрсдийн Gemini Robotics төсөлтэй холбон туршиж эхэлснээ мэдэгдлээ.

Хязгаарлалт ба хэзээ ашиглах боломжтой вэ?

Гэсэн хэдий ч технологи төгс болоогүй байна. DeepMind-ийн мэдээлснээр:

Симуляцийн хугацаа одоогоор хэдхэн минутаар хязгаарлагдаж буй бөгөөд хэт олон удаа засвар хийх үед эсвэл олон объект зэрэг хөдлөхөд тогтвортой байдал алдагдах эрсдэлтэй.
Промптод тодорхой дурдаагүй бичвэр, текстүүд симуляци дотор гажиж харагдах дутагдал байсаар байна.

Одоогоор Genie 4 нь цөөн тооны баталгаажсан судлаач, тестерүүдэд туршилтын (research preview) шугамаар нээлттэй байгаа юм. Харин ойрын хугацаанд Google AI Ultra эрхтэй хэрэглэгчид Project Genie-ээр дамжуулан, мөн системийн хөгжүүлэгчид Gemini API болон Google AI Studio-ийн эрт хандалтын хөтөлбөрөөр дамжуулан турших боломжтой болох ажээ.

Эх сурвалж: Google DeepMind Research, Gizmodo Tech