Google DeepMindがGenie 4公開

Genie 4はGenie 3を基に最大シミュレーション時間を約2倍の2分に延ばし、リアルタイム音声と、ユーザーの目標をサブタスクに分解して各レンダリングフレームを検査するGemini駆動の指示機能を追加した。Googleはさらに、カエデの種が芝生に舞い落ちる場面や1980年代の混雑した駅ホームといった複雑なシーン向けに、動画モデルGemini Omniと組み合わせている。

発表に添えられたデモは限界も明らかにしている。転がらない大理石の胸像に加え、チェッカーを打つApolloロボットのデモは、実際のロボット制御ポリシーが生成ループにどう接続されているかを説明していない。この欠落は重要だ。強化学習は失敗から学ぶことに依存するが、ステップの成功を検査するディレクターモデルは環境を意図した結果へ偏らせる可能性がある。胸像がきれいに着地したことをその偏りの例として挙げている。

Googleの過去の実験は可能な道筋を示す。言語モデルとコードモデルを組み合わせ、構造的な物理推論とピクセルレンダリング生成器を担わせる手法だ。業界はすでに、GoogleやRunwayのようなリアルタイム動画生成、World Labs（AMDが約82億ドルで買収することに合意）のような持続的な3Dシーン構築、WaymoやRivianの自動運転シミュレーターに分かれている。