Google DeepMind 10 tháng 27 đã công bố mô hình thế giới thế hệ thứ tư Genie 4: tạo ra thế giới tương tác theo thời gian thực từ văn bản hoặc hình ảnh, cho phép di chuyển bằng bàn phím và xoay camera, lần đầu tiên đồng thời tạo ra âm thanh môi trường, nhạc và hội thoại của nhân vật; hiện tại chỉ mở cho những người thử nghiệm đáng tin cậy dưới dạng bản xem trước nghiên cứu.
Độ tin cậy: Cao (100) · Thời gian sự kiện 2026-10-27
Lý do
- Chính thức tuyên bố bốn tiến bộ chính: thay đổi cảnh quan theo thời gian thực bằng ngôn ngữ tự nhiên (thay đổi thời tiết, di chuyển camera, thêm người hoặc vật thể); vật lý và chuyển động của con người trở nên chân thực hơn; tạo âm thanh gốc, nhân vật có thể trò chuyện theo thời gian thực và phản hồi với đầu vào của người dùng; sử dụng Gemini 3.8 Flash làm “tác nhân dẫn đường”, liên tục quan sát khung hình, phân rã mục tiêu và kiểm tra từng khung hình xem mỗi bước đã hoàn thành hay chưa, giúp cho quan hệ nhân quả đa bước trở nên đáng tin cậy hơn.
- DeepMind định vị mô hình thế giới là môi trường huấn luyện cho robot và tác nhân: bài đăng trên blog đã minh họa cách Gemini 4 Argon phân rã nhiệm vụ thành các bước, điều khiển theo thời gian thực mô phỏng Genie 4 để Apollo, robot hình người của Apptronik, chơi cờ đam.
- Chính thức tuyên bố rằng những người thử nghiệm đáng tin cậy đang sử dụng nó để dựng trước cảnh quay phim, biến một bức ảnh lịch sử thành một cảnh có thể đi lại, tạo nguyên mẫu trò chơi và mô phỏng các kịch bản doanh nghiệp.
- Ars Technica chỉ ra rằng thế hệ Genie 3 trước đây chỉ được mở trong trải nghiệm web Project Genie hạn chế; lần này chính thức đưa ra lộ trình mở cho những người đăng ký gói Ultra và Gemini API.
Cách sử dụng
- Có thể đăng ký danh sách chờ trên Project Genie (có lối vào ở đầu blog của DeepMind). Chính thức tuyên bố rằng trước mắt sẽ mở cho những người đăng ký Google AI Ultra (Project Genie) cũng như các đối tác sớm của Gemini API và Google AI Studio, không đưa ra thời gian và giá cụ thể.
- Chính thức tuyên bố rằng tất cả video và âm thanh do Genie 4 tạo ra đều có watermark ẩn SynthID.
Rủi ro
- TechCrunch cho biết cảnh quan có thể duy trì tính nhất quán tối đa khoảng hai phút, gấp đôi so với Genie 3; văn bản gốc chính thức chỉ viết “duy trì tính liên tục trong các phiên ngắn”, không đưa ra thời lượng cụ thể.
- Các hạn chế được chính thức liệt kê: càng chạy lâu và càng nhiều thay đổi, chi tiết hình ảnh và tính hằng tồn của vật thể càng dễ bị trôi; tương tác vật lý phức tạp, độ chính xác của âm thanh thời gian thực, kết xuất văn bản, độ chính xác không gian và tính nhất quán dài hạn vẫn đang được nghiên cứu.
- Chỉ thấy các bản demo được chính thức chọn lọc, không có dữ liệu đánh giá công khai; thời gian mở cho công chúng chưa xác định, Ars Technica cho biết giá sẽ không rẻ.
Mở · TechCrunch · Ars Technica · The Verge · SiliconANGLE