Google ukázalo svět, který můžete měnit slovy. Genie 4 generuje realitu v reálném čase – a mluví na vás

Redakce noviny.ai AI
Google ukázalo svět, který můžete měnit slovy. Genie 4 generuje realitu v reálném čase – a mluví na vás

DeepMind spustil Genie 4 – model, který z textového zadání vytvoří interaktivní fotorealistický svět, do něhož můžete za běhu zasahovat a který vám odpovídá zvukem i dialogem. Zní to jako hračka pro hráče, jenže skutečná sázka míří jinam: do tréninku robotů, prototypování a simulací, kde jedna minuta ušetřeného času znamená peníze.

Představte si, že si otevřete prázdnou obrazovku, napíšete "zasněžená horská chata za soumraku" a během okamžiku do ní vstoupíte. Slyšíte praskání ohně, vítr za oknem, a když dopíšete "ať začne sněžit a přijde pocestný", scéna vás poslechne – sníh padá a ve dveřích stojí postava, se kterou můžete mluvit. Přesně tohle v úterý 27. října předvedla výzkumná laboratoř Google DeepMind s modelem Genie 4.

Zatímco generátory obrázků a videa už nikoho nepřekvapí, Genie 4 patří do mnohem mladší kategorie takzvaných světových modelů (world models). Ty negenerují hotový klip, který si jen přehrajete. Vytvářejí živé, interaktivní prostředí, do kterého můžete zasahovat, pohybovat se v něm a měnit ho za chodu. A právě schopnost měnit svět v reálném čase slovem je to, co Genie 4 odlišuje od všeho, co Google ukázal dosud.

Co Genie 4 skutečně umí

Oproti předchozí generaci, kterou DeepMind ukázal zhruba před rokem, udělal Genie 4 tři zásadní kroky. Za prvé přidal zvuk generovaný v reálném čase – hudbu, okolní ruch i dialogy, takže postavy ve scéně mohou reagovat a mluvit s vámi. Za druhé umí upravovat scénu za běhu jen na základě textového pokynu: změníte počasí, pootočíte kameru, přidáte do prostředí lidi nebo předměty. A za třetí udrží konzistentní svět po dobu až dvou minut – dvojnásobek předchozího limitu.

Technicky zajímavá je právě ta spolupráce dvou modelů. Gemini tu nepracuje jako samostatný chatbot, ale jako plánovač uvnitř smyčky – rozloží váš požadavek na kroky a hlídá, aby to, co Genie vykresluje, dávalo smysl. Výzkumný ředitel Google Tejas Kulkarni to označuje za nový druh "hybridních světových modelů", které kombinují jazykové a kódové schopnosti Gemini s realtime simulací od Genie.

Jsme pořád na úplném začátku a jak bude celý produkt nakonec vypadat, zatím není jasné.
Humanoidní robot trénuje pohyby ve virtuálním simulovaném prostředí

Proč by to měl sledovat podnikatel, a ne jen hráč

Na první pohled vypadá Genie 4 jako luxusní hračka pro vývojáře her. Jenže nejsilnější případ užití, který DeepMind ukázal, leží jinde: v tréninku robotů. Ve výzkumném experimentu rozložil jeden model Gemini zadaný úkol na kroky a Genie 4 je v reálném čase simuloval – jako způsob, jak otestovat chování robota dřív, než ho nasadíte do skutečného provozu. Pro každou firmu, která uvažuje o automatizaci skladu, výroby nebo logistiky, je tohle klíčové: trénovat a ladit roboty v levné simulaci je o řády bezpečnější a rychlejší než zkoušet to s drahým hardwarem na dílně.

Druhý směr je prototypování a kreativní práce. Testeři z řad filmařů vidí potenciál ve fázi nápadů a storyboardů, kde se cení rychlé iterace. Inženýr DeepMind Diego Rivas zdůrazňuje, že v raných kreativních fázích jde především o "rychlé generování nápadů" – a přesně tam světový model, který okamžitě postaví scénu podle popisu, šetří hodiny práce. Pro české marketingové agentury, produkční studia nebo e-learningové firmy to znamená nástroj, jak za zlomek nákladů vyzkoušet vizuální koncept dřív, než se do něj investuje.

A do třetice vzdělávání. DeepMind nadhodil spekulativní, ale výmluvný příklad: žák si může "popovídat" s postavami z historického obrazu, který kolem něj ožije. Interaktivní, generované prostředí je přesně typ obsahu, který by mohl proměnit tréninkové simulace, firemní školení nebo muzejní zážitky.

Tvůrce u monitorů zobrazujících generované interaktivní prostředí

Realita za marketingem: co zatím nefunguje

Je potřeba zůstat střízlivý. Genie 4 je zatím jen výzkumný náhled (research preview) dostupný úzkému okruhu prověřených testerů. V nejbližších týdnech se má dostat k předplatitelům tarifu Google AI Ultra přes program Project Genie a k partnerům s raným přístupem k Gemini API a Google AI Studiu. Běžný uživatel ani firma si ho dnes jen tak nespustí a Google neuvedl žádnou samostatnou cenu mimo předplatné Ultra.

Omezení jsou navíc reálná. V delších simulacích detaily a objekty "ujíždějí" – svět ztrácí konzistenci a to, co bylo před chvílí za vámi, se po otočení kamery nemusí vrátit stejné. Přesnost zvuku a čitelnost textu uvnitř scény zatím vyřešené nejsou. Dvě minuty konzistentního světa jsou pokrok, ale pořád daleko od souvislého zážitku, na jaký jsme zvyklí u klasického softwaru.

Genie 4 taky nevzniká ve vakuu. Konkurence v oblasti světových modelů houstne: startup World Labs výzkumnice Fei-Fei Li míří do náruče AMD, Runway už před pár měsíci vydal hratelný model GWM Worlds 2 se zvukem a o firmu Decart se údajně zajímá Amazon. Rivian koupil Third Dimension kvůli simulacím pro autonomní řízení. Signál je jasný: největší hráči sázejí na to, že schopnost generovat celé interaktivní světy bude příští velká infrastruktura – pro roboty, auta i zábavu.

Praktický takeaway

Genie 4 dnes není nástroj, který byste zítra zapojili do firmy. Je to ale první srozumitelný náznak toho, kam míří další vlna AI po chatbotech a generátorech videa: k simulaci reality na vyžádání. Pokud podnikáte v logistice, výrobě nebo robotice, sledujte světové modely jako technologii, která během pár let zlevní testování a nasazování automatizace. Pokud děláte v kreativě, vzdělávání nebo marketingu, začněte přemýšlet, které části vaší práce jsou vlastně "rychlé prototypování vizuálního nápadu" – protože právě ty budou první na řadě. A pokud zatím jen sledujete, zapamatujte si pojem world model. Za rok o něm uslyšíte stejně často, jako dnes slýcháte o agentech.