Google DeepMind vừa công bố Genie 4, mô hình thế giới tương tác thời gian thực. Trong lúc mô phỏng đang chạy, người dùng có thể dùng ngôn ngữ tự nhiên để đổi thời tiết, dịch chuyển góc máy, thêm người và vật thể vào cảnh; hình ảnh tiếp tục diễn tiến mà không cần tạo lại từ đầu. DeepMind cho biết đây là mô hình thế giới thời gian thực đầu tiên tạo âm thanh gốc: âm thanh môi trường, nhạc nền và lời thoại nhân vật được tạo đồng bộ với hình ảnh, và nhân vật còn có thể đáp lại tức thời trước thao tác của người dùng hoặc những gì xảy ra trong cảnh.
"Genie 4 is our first real-time world model to generate audio natively."
(Genie 4 là mô hình thế giới thời gian thực đầu tiên của chúng tôi tạo âm thanh một cách gốc.)
Làm được gì và ai được dùng
Theo phần giới thiệu chính thức, các nâng cấp của Genie 4 tập trung vào ba mảng. Thứ nhất là vật lý, hỗ trợ các cảnh có khí động học và va chạm. Thứ hai là nhân vật: chuyển động tự nhiên hơn, biết phản ứng với môi trường và có thể được người dùng điều khiển theo thời gian thực. Thứ ba là các sự kiện nhiều bước, trong đó Gemini 3.8 Flash đóng vai trò tác tử dẫn dắt, chia mục tiêu của người dùng thành từng bước, kiểm tra từng khung hình xem mỗi bước đã hoàn thành chưa, rồi điều chỉnh kế hoạch khi người dùng can thiệp giữa chừng hoặc khi cảnh thay đổi. DeepMind cũng cho biết đang thử kết hợp Gemini 4 Argon với Genie 4 cho các mô phỏng liên quan đến robot.
Việc mở truy cập chia làm ba bước: hiện là bản xem trước nghiên cứu dành cho người thử nghiệm tin cậy; tiếp theo là người đăng ký Google AI Ultra (cổng truy cập có tên Project Genie) cùng các đối tác sớm của Gemini API và Google AI Studio, trên trang có sẵn biểu mẫu danh sách chờ. Video và âm thanh được tạo ra đều được gắn watermark SynthID.
Những hạn chế do chính hãng nêu ra
Thông báo lần này không có bất kỳ chỉ số định lượng nào: độ phân giải, tốc độ khung hình, thời lượng chơi tối đa mỗi phiên và độ trễ thao tác đều không được ghi, cũng không có so sánh bằng số liệu với thế hệ trước, chỉ dùng những mô tả định tính như "chân thực hơn".
Ngược lại, DeepMind ghi rất rõ các giới hạn: khi phiên kéo dài, khi sửa lời nhắc phức tạp thêm vài vòng hoặc khi đi xa trong cảnh, chi tiết hình ảnh và tính bền vững của vật thể "still shift or drift over time" (vẫn có thể lệch và trôi theo thời gian). Tương tác vật lý phức tạp, độ chính xác của âm thanh thời gian thực, hiển thị chữ đọc được, độ chính xác không gian và tính nhất quán dài hạn đều được liệt vào các vấn đề vẫn đang nghiên cứu.
Độc giả trong nước nhìn nhận thế nào
Hai kênh mở đầu tiên của Genie 4 là gói đăng ký AI Ultra và hợp tác sớm qua Gemini API, cả hai đều không dùng được tại Trung Quốc đại lục, nên các nhà phát triển trong nước trước mắt chỉ có thể xem video demo.
Hướng đi này ở trong nước cũng không hề trống. Matrix-Game 4.0 do Kunlun Tech mở mã nguồn hồi giữa tháng 10 nhắm tới việc chạy 60 khung hình mỗi giây trên một card RTX 5090, trọng số có thể tải về chạy cục bộ; cũng có nhóm dùng NPU nội địa để chạy mô hình thế giới ở mức khoảng 50 khung hình. Họ công bố các chỉ số so sánh được như tốc độ khung hình, trong khi lần này Genie 4 lại không có.
Khoảng cách nhiều khả năng nằm ở hai chỗ: một là âm thanh gốc và đối thoại nhân vật, vì hầu hết giải pháp mã nguồn mở trong nước hiện chỉ xuất hình ảnh; hai là việc dùng Gemini làm tác tử lập kế hoạch và nghiệm thu từng khung hình cho tác vụ nhiều bước, đòi hỏi một mô hình đa phương thức đủ mạnh ở bên cạnh, điều mà các nhóm chỉ làm tạo video khó bù đắp. Chỉ khi Genie 4 bước vào giai đoạn API và công bố số liệu độ trễ, thời lượng, hai bên mới có một bảng có thể đặt cạnh nhau để so sánh.
Nguồn tham khảo: blog chính thức của Google DeepMind, CocoLoop; phạm vi mở truy cập, mô hình dùng cho tác tử dẫn dắt và các hạn chế đã biết lấy theo công bố chính thức của DeepMind, tốc độ khung hình của các mô hình thế giới trong nước tham chiếu số liệu công khai của từng dự án.