人工智能模型

谷歌向订阅用户开放 Genie 4 世界模型

BUZZINGA 编辑部5 分钟阅读

谷歌于 11 月 18 日开始通过网页端的 Project Genie 实验平台,向符合条件的 Google AI Ultra 套餐订阅者开放交互式世界模型 Genie 4。该更新新增了实时场景编辑、同步原生音频、用于构建世界的智能体,以及用于分享和重混的社区画廊。

谷歌将其用于构建虚拟世界的最新模型 Genie 4 从封闭测试范围扩展至网页端的 Ultra 套餐订阅者,带来了质的飞跃:允许用户在场景中漫游时实时修改天气、角色和剧情走向,并配备了交互式原生音频以及参与导演的智能体。

会话期间实时修改虚拟世界与 Genie 3 更新
用于构建世界并直接指导剧情的智能体
交互式社区画廊与共同艺术体验
当前研究限制、安全控制与水印
常见问题

谷歌于 11 月 18 日(星期三)开始向 Google AI Ultra 套餐的符合条件订阅者推出其最新的交互式世界模型构建模型 Genie 4,该模型通过网页端实验原型平台 Project Genie 提供。根据谷歌官方公告以及 Seeking Alpha 网站的报道,AI Pro 套餐的会员可以通过同一页面注册候补名单。正如 The Verge 平台所报道的那样,此版本将 Genie 4 模型带给了上个月底获得访问权限的少数“受信任测试人员”群体之外的用户,值得一提的是,谷歌曾在 10 月首次向测试人员演示该模型。该更新新增了实时编辑功能、同步音频、专用的世界构建工具以及与他人分享的内置方式。
会话期间实时修改虚拟世界与 Genie 3 更新
谷歌将 Genie 4 的发布描述为“迄今为止最真实、最具交互性的世界模型”。用户可以在生成的虚拟世界中移动时输入新的文本指令,从而在不中断体验的情况下改变天气状态、添加新角色或重新引导剧情走向。此外,该版本也是 Genie 系列中首个支持实时生成原生音频的模型,从环境背景音效到角色对话一应俱全,使得声景能够随着视觉场景细节的改变而自动变化。
谷歌解释称,他们还更新了平台模型选择列表中的较旧型号 Genie 3;在该模型中,每次生成的会话时长现已延长至最长 3 分钟(此前为 60 秒),并且用户现在能够将多个连续的世界彼此串联,甚至可以从 360 度全景照片出发启动新的虚拟世界。
用于构建世界并直接指导剧情的智能体
全新的 Project Genie 智能体允许用户用简单的自然语言描述他们想象中的世界,随后它会依靠谷歌的多模态模型来创建初始视觉场景以及适合环境氛围的定制背景音乐。该公司表示,Gemini 模型还可以加入实时会话中,监视屏幕、建议后续步骤,或者在虚拟世界中触发突发事件。谷歌对此举了一个例子:智能体在用户正在体验的滑雪道中途添加了一场雪崩。
交互式社区画廊与共同艺术体验
全新的社区画廊将精心挑选的世界与用户自己设计的世界融为一体,并赋予他们发布自己创意、重混和修改他人作品的能力。展示中的重点项目包括“维拉加洛”(Villa Gallo)——一个以哥特式宫殿为背景的神秘解谜项目,由技术创作者 Will(绰号 Blacklight)合作设计;以及与电影导演安南德·甘地(Anand Gandhi)合作完成的“蚂蚁的生活”(Ant Life)项目,该项目从蚂蚁自身的视角完整展示了整个蚁群。
当前研究限制、安全控制与水印
作为 Alphabet 集团旗下的子公司,谷歌强调这两个 Genie 模型仍处于开发阶段的前沿研究系统中;其团队正继续致力于解决相机响应时间、复杂物理交互、音频精度以及在长时间会话中保持场景稳定性和一致性的问题。该公司补充说,Project Genie 内产生的所有视频和音频都带有谷歌的 SynthID 不可见数字水印,并且所有输入和输出都要经过安全检查。The Next Web 网站指出,视觉细节在长时间会话中仍然容易发生漂移或改变,可读文本和复杂物理特性对该模型而言依然是艰巨的挑战。Google DeepMind 实验室在声明结语中表示,此版本“带来了原生音频、实时编辑以及一个可助你创造互动虚拟世界的新智能体”。
常见问题
问:目前谁可以通过 Project Genie 平台使用 Genie 4 模型?
答:该模型目前向网页端 Google AI Ultra 套餐的符合条件订阅者开放,而 AI Pro 套餐的订阅者可以注册官方候补名单以在稍后获得访问权限。
问:与以往版本相比,Genie 4 提供了哪些突出的全新交互功能?
答:Genie 4 允许用户在世界中漫游时编写文本指令,以即时改变天气、添加角色或修改剧情走向;它也是首个生成能够随着场景变化而实时互动的原生音频和对话的版本。
问:在此次更新中,较旧的 Genie 3 模型获得了哪些改进?
答:谷歌将 Genie 3 中单次会话的时长从 60 秒延长至 3 分钟,并支持将连续的世界彼此连接,以及从 360 度全景照片创建新环境。
问:Genie 模型目前仍面临哪些技术限制,谷歌如何管控内容安全?
答:这些模型在相机移动延迟、复杂物理特性、可读文本以及长期细节稳定性方面仍面临挑战;谷歌在所有声音和视频中都集成了 SynthID 水印,并对所有输入和输出进行了全面筛查。