Google DeepMind、推論で複雑なタスクを描く世界モデル「Genie 4」

新しいワールドモデル「Genie 4」

　Google DeepMindは10月27日、新しいワールドモデル「Genie 4」を発表した。現在、信頼できるテスター向けにリサーチプレビューとして公開されており、今後は「Project Genie」のGoogle AI Ultra加入者やGemini APIの早期アクセスパートナー向けに順次提供される予定となる。

　Genie 4は、リアルタイムでのインタラクティブなシミュレーションを実現する世界モデル。Geminiファミリーの機能を基盤として構築されており、「Gemini Omni」が現実世界の外観や挙動に基づかせ、その他のGeminiモデルがシミュレーションの整合性と連続性を維持するための推論を提供する。

　シミュレーションのリアルタイム操作において、利用者はテキストプロンプトや標準的なキーボード操作を用いることで、天候、カメラアングル、登場人物やオブジェクトの配置などを変更できる。

　物理現象および人間の行動の描写においては、空気力学や物体同士の衝突などを描くほか、環境に応じた人間の自然な動作やリアクションを生成する。音声表現に関しては、リアルタイムでの音声生成に対応しており、環境音や劇中の音楽、登場人物の対話などを映像と同時に生成する。

　複雑なタスクのシミュレーションにおいては、「Gemini 3.8 Flash」が指導エージェントとして機能する。Geminiが目標をステップ順に分解し、生成されるフレームを観察しながら進行状況を確認することで、多段階のイベント処理を実現している。この能力を探求する一環として、先端研究を「Gemini Robotics」と融合させる目的で、「Gemini 4 Argon」とGenie 4を組み合わせた実験も行なわれている。

　活用検証として、クリエイティブ分野における事前ビジュアル化やプロトタイプ制作、2D写真からの環境復元、ロボティクス分野でのトレーニング環境構築などが挙げられている。

　一方で、シミュレーションが長時間に及ぶ場合や複雑な編集が重なった時には、視覚的な詳細や物体の永続性が変化したり、ずれたりする課題が残されている。また、複雑な物理相互作用、リアルタイム音声の正確性、視認可能なテキスト描画、空間的正確性なども継続的な研究課題とされている。

　モデルの安全性対策として、生成された動画および音声にはAI生成物であることを識別するためのデジタル透かし技術「SynthID」が埋め込まれる。