Magunk teremtette világba sétálhatunk a Google új világmodelljével, ha egyelőre csak pár percre is
Egy ködös tó közepén szaxofonozik egy férfi, mi pedig körbesétálhatjuk, miközben halljuk a hangszerét és a víz csobbanásait. Nem kell hozzá kamera és díszlet: a Google Genie 4 nevű világmodellje minden képkockát akkor talál ki, amikor körülnézünk benne.
Mire jó egy ilyen világ, és miért tartja a Google fontos lépcsőfoknak az AGI, vagyis az általános mesterséges intelligencia felé vezető úton?
A szaxofonos jelenetet a Google DeepMind október 27-én mutatta be, a Google Genie 4 bemutatófelvételei között. A cég „példátlan realizmust” ígér, és ez az első olyan valós idejű világmodellje, amely a kép mellett a hangot is maga állítja elő: a szél zúgását, a hullámok csapkodását, sőt a szereplők beszédét is.
A cikkben szereplő videók – az utolsó kettő kivételével – a Google DeepMind felvételei.
Ebben a „teremtett” világban először egyszerűen megadunk egy referenciaképet a vízen lebegő emelvényen szaxofonozó férfiról, majd hosszú szöveges leírásban azt is, ami a képen nem volt rajta eredetileg: a ködös tavat, a filmes hatást, a szabadon mozgó kamerát és a hangokat (szaxofon, víz, szél).
Kameránk – amely persze valójában nincs is, hiszen a képet a Google szerverei gyártják az utasításainkból – lassan közelebb siklik, majd beírjuk a képernyő alján megjelenő mezőbe:
Egy bálna farka emelkedik ki mögötte.
Kisvártatva a ködös tó felszínét áttöri a farokuszony, és csobbanva visszabukik. A következő utasítás:
Elkezd havazni.
Hullani kezdenek a pelyhek, megülnek a férfi hajában és barna zakóján, aki rendíthetetlenül játszik tovább, miközben a kamera körbejárja.
Megfigyelhető, hogy a kép jobb felső sarkában közben angol nyelvű jegyzetek tűnnek fel: a háttérben dolgozó Gemini, a Google nagy nyelvi modellje, így rögzíti, hogyan értelmezte a kérést.
Mi az a világmodell?
A videókészítő AI-okhoz már hozzászoktunk: leírunk egy jelenetet, kis várakozás (vagy helyi gépen készítve sok-sok várakozás) után megkapjuk a kész filmet, és megnézhetjük.
A világmodell viszont valós időben, képkockáról képkockára rakja össze a világot, abból kiindulva, ami addig történt, és abból, amit mi éppen csinálunk. Ha balra lépünk, a modell kitalálja, mit látnánk balra. Ha visszafordulunk, emlékeznie kell, mi volt ott egy perccel korábban, különben a fa, amely mellett elsétáltunk, eltűnne vagy átváltozna. Mindezt másodpercenként többször le kell generálnia, a mozdulatainkra azonnal reagálva.
A Google DeepMind már az előző modell, a Genie 3 bemutatásakor leírta, hogy bejárható világot nehezebb előállítani, mint kész videót, mert a kis pontatlanságok menet közben összeadódnak.
Jack Parker-Holder, a Genie-kutatás vezetője a heise online német szaklapnak úgy fogalmazott, hogy ez működését tekintve inkább nyelvi modell, mint klasszikus videómodell. Ahogy a csevegőrobotok kitalálják a következő szót, úgy ötli ki a Genie a következő képet.
Játékmotor és előre megépített háromdimenziós díszlet nincs mögötte:
amerre a kamerát fordítjuk, ott a világ abban a pillanatban születik meg.
Így készült a szaxofonos jelenet, lépésről lépésre
A Google a bemutatóvideók mellé a hozzájuk tartozó utasításokat, vagyis promptokat is közzétette, így pontosan látjuk, mit kért a készítő.
A referenciakép lett az első képkocka. Erre épült a hosszú leírás a lebegő betonplatformról, a vadfüvekről, a páfrányokról, a kis csavart törzsű fáról, a borostyánszínű izzó gömbről és a barna öltönyös férfiról a rézszaxofonnal.
A készítő 16 milliméteres filmre emlékeztető, enyhén szemcsés, fakó színű, dokumentumfilmes képet kért, borult, kékesszürke éggel. A kamera szabadon mozoghat, sikló mozgással a víz fölött, a férfihoz és a platformhoz nincs kötve. A hangról külön rendelkezett:
a víz és a szél mellett háttérzene ne legyen, csak a szaxofon szóljon.
Billentyűzettel és egérrel irányítjuk a kamerát, a modell pedig minden mozdulatra kiszámolja, mit látunk és mit hallunk. (A Google megjegyzi, hogy a bemutatott felvételek valós idejű interakciókról készültek, de a jeleneteket megrövidítette.)
A közzétett promptok többsége oldalnyi hosszúságú, de akad közöttük kétsoros is: „Környezet: a Royal Opera House előadása épp véget ér.” A többit mind a modell teszi hozzá.
Négy újdonság a világteremtésben
Az első, hogy a világot munka közben is átírhatjuk. Begépeljük, hogy kezdjen esni az eső, hogy forduljon a kamera, vagy hogy lépjen be valaki a színre, és a Gemini az utasítást hozzáigazítja ahhoz, ami éppen a képernyőn történik.
A második a fizika és az emberek. A modell kezeli az aerodinamikát és az ütközéseket: az alábbi bemutatón egy kőtalapzaton álló görögdinnye lett a főszereplő.
A Google külön kiemeli az emberek ábrázolását: a szereplők természetesen mozognak, reagálnak a környezetükre, és valós időben irányíthatók.
A demóban 1980-as évekbeli vidéki japán vasútállomás peronja megtelik utasokkal, akik sétálnak, várakoznak, beszállnak a hosszú, mélyvörös vonatba.
A harmadik a hang. Minden világ megkapja a saját környezeti hangjait, a szereplők pedig meg is szólalnak, akár egymáshoz is, és a párbeszéd a beavatkozásainkhoz és a világban zajló eseményekhez igazodik.
A negyedik a láthatatlan „rendező”. A Gemini 3.8 Flash nevű modell folyamatosan nézi a születő képkockákat, a kitűzött célt lépésekre bontja, és ellenőrzi, sikerült-e az adott lépés. Ha közbeavatkozunk, azonnal átírja a tervet.
Pár perc, aztán szétcsúszik a világ
A Google Genie 4 jelenleg legfeljebb két percig képes egyben tartani a jelenetet, ez is kétszer annyi, mint az elődjéé. A Google leírja, hogy hosszabb futásnál, több bonyolult módosítás után vagy sok mozgás közben a részletek elcsúszhatnak, a tárgyak eltűnhetnek, a feliratok pedig többnyire csak akkor olvashatók, ha a leírás is tartalmazza őket. A hang pontosságán is dolgoznak még.
Minden kép- és hanganyagba SynthID kerül, a Google láthatatlan vízjele, amellyel a gépi eredetű tartalom később felismerhető.
Ki próbálhatja ki, és mennyiért?
Külön ára nincs: a Project Genie a Google legdrágább, havi 200 dolláros AI-előfizetésének része, s május óta az Egyesült Államokon kívül is több országban elérhető a 18 év feletti előfizetőknek.
A Google Labs országlistáján azonban egyelőre egyetlen uniós tagállam, így Magyarország sem szerepel – vélhetően az EU szigorú szabályozásai miatt. Várólistára azért fel lehet iratkozni, mégpedig a Google egyik legfejlettebb termékénél meglepően egyszerű eszközzel: egy hétköznapi Google-űrlappal.
Versenytársak, valódiak és kissé becsapósak
A Genie nincs egyedül. A Runway videós AI-cég szeptemberben mutatta be GWM Worlds 2 nevű világmodelljét, amely szintén valós időben fut és hangot is generál, egyelőre ugyancsak kutatási előzetesként.
A kínai Tencent Hunjüan-csapata október 23-án ingyenes, nyílt modellt adott ki Hy-Nomas néven, amely legfeljebb egyperces, 720p-s videókat készít, viszont erős otthoni videókártyán is elfut. A böngészős demót mi is kipróbáltuk.
Napi két videót engednek ingyen, és pár másodperc alatt el is készült egy gyengécske nyolcmásodperces jelenet naplementekor tóban sétáló, fehér ruhás nőről. Igaz, hangja nem volt, azt külön kellene elkészíteni. A Tencent saját bemutatóvideója a miénknél sokkal ügyesebb lett.
Akadnak, akik a Google nevéből próbálnak hasznot húzni. A genie4ai.org oldal már 2026 márciusában, hónapokkal a bejelentés előtt „Genie 4” néven hirdette magát, Google- és DeepMind-technológiára hivatkozva – holott a Genie 4 akkor még nem is létezett. Egy katalógusoldal szerint havi 29,9 és 99,9 dollár közötti csomagokat kínál.
A piac közben gyorsan rendeződik
A TechCrunch szerint az AMD felvásárolja Fei-Fei Li világmodell-cégét, a World Labst, az Amazon a Decart megvételéről tárgyal, a Rivian autógyártó pedig a Third Dimension nevű céget vette meg, hogy az önvezetés tesztelését házon belül, szimulációban végezze.
Kinek jó ez?
A játékfejlesztők a Google szerint például arra használhatják, hogy egy ötletből másodpercek alatt bejárható prototípust készítsenek, még mielőtt egyetlen sor kódot is megírnának. A Gizmodo ezt „vibe gamingnek” nevezi. A játékipar befektetői viszont idegesek:
a januári Project Genie indulása után a Bloomberg beszámolója szerint zuhantak a videójátékos cégek részvényei, a Unityé egyetlen nap alatt 24 százalékot esett.
A filmeseknek Diego Rivas, a Google DeepMind munkatársa szerint a valós idő ott ér a legtöbbet, ahol fontos, hogy az alkotó ne essen ki a lendületből: ötleteléskor, a forgatókönyv képes vázlatának készítésekor. A Google szerint a rendező beléphet a jelenetbe, és több „felvételt” is kipróbálhat más kameraszöggel, fénnyel, párbeszéddel.
A robotikában és az önvezetésben a szimuláció régóta kulcskérdés.
A Waymo már a Genie 3-at használja arra, hogy önvezető autóit olyan ritka helyzetekre készítse fel, amelyeket a valóságban veszélyes vagy lehetetlen volna megrendezni, például tornádóra vagy az úton álló elefántra.
Az oktatásban a TechCrunch egyik példája szerint egy történelmi festménybe léphetnénk be, és elbeszélgethetnénk a szereplőivel.
Kipróbálhatnánk azt is, hogyan lesz egyetlen archív fotóból bejárható, benépesített jelenet.
Itt rejlik a csapda is: minden, ami az eredeti képen nem látszott, hiába tűnik valóságosnak és bejárhatónak, az csak a modell kitalációja, és nem bizonyíték arra, milyen volt valójában a hely, figyelmeztet az AlphaSignal elemzése. A vízjel csupán azt jelzi, hogy gépi tartalomról van szó, de az más kérdés, hogy a rekonstrukció mennyire egyezik a valósággal.
Lépcsőfok az általános AI felé?
A Google már tavaly azt írta, hogy a világmodellek fontos állomást jelentenek az AGI felé.
Az AGI a mesterségesintelligencia-kutatás régi nagy álma:
olyan gép, amely bármilyen szellemi feladatban felveszi a versenyt az emberrel, és azokban a helyzetekben is eligazodik, amelyekre senki sem készítette fel.
A mai rendszerek vagy szűk területen bajnokok, vagy csak könyvből ismerik a világot. A sakkprogram verhetetlen, de egy pohár vizet sem tudna kitölteni, a csevegőrobot pedig ragyogó esszét ír a gravitációról, holott még soha semmit sem ejtett le.
Az ember is tapasztalatból ismeri meg a világot: a kisgyerek ezerszer lesodorja a kanalat az asztalról, mire megérti, hogy a tárgyak leesnek, és hogy a leesett kanál nem tűnik el. A világmodell ennek a gépi megfelelője lehet. Az AI-ügynökök és a robotok szimulált világokban, saját tapasztalatból tanulhatnak, korlátlan számú helyzetben, és ott ezerszer is hibázhatnak, mielőtt a valódi világba lépnek.
Yann LeCun Turing-díjas francia kutató régóta azt hangoztatja: az általános intelligenciához inkább a világmodellek vezetnek el, mint a nyelvi modellek.
„A jövőben egyre inkább hibrid világmodelleket fogunk látni, amelyekben a Gemini kódot és szöveget ír, a Genie pedig ezt valós időben befogadva szimulálja a valóságot, különböző absztrakciós szinteken” – mondta Tejas Kulkarni, a Google kutatási igazgatója a sajtótájékoztatón.