Google DeepMind hat mit Genie 4 ein KI-Modell vorgestellt, das interaktive Welten erzeugt, die sich per Sprache verändern lassen. Neu ist, dass das System auch Geräusche, Musik und Dialoge selbst generiert. Gedacht ist es vor allem als Trainingsumgebung für Roboter und KI-Agenten.
Was Genie 4 kann
Die Google-Forschungsabteilung DeepMind hat am Dienstag Genie 4 vorgestellt, die vierte Generation ihres sogenannten Weltmodells. Solche Modelle erzeugen keine einzelnen Bilder oder fertigen Videos, sondern Umgebungen, in denen man sich bewegen und handeln kann, ähnlich wie in einem Videospiel. Jedes neue Bild entsteht dabei in Echtzeit als Reaktion auf die Eingaben der Nutzerinnen und Nutzer.
Laut DeepMind lässt sich die Welt während der Nutzung mit normaler Sprache verändern. Man kann etwa das Wetter wechseln, die Kamera bewegen oder Personen und Gegenstände hinzufügen. Das Modell soll Aerodynamik, Zusammenstöße und natürlich wirkende Bewegungen von Figuren simulieren. Für den realistischen Eindruck sorgt nach Angaben des Unternehmens unter anderem das Google-Modell Gemini Omni, das Aussehen und Verhalten an der echten Welt ausrichtet.
Erstmals mit eigenem Ton
Die wichtigste Neuerung ist der Ton. Genie 4 erzeugt Musik, Umgebungsgeräusche und Dialoge der Figuren gemeinsam mit dem Bild. „Genie 4 ist unser erstes Echtzeit-Weltmodell, das Audio nativ erzeugt“, schreibt DeepMind. Die Vorgänger lieferten nur stumme Bilder. Gesprochene Antworten von Figuren sollen sich an das Geschehen anpassen.
Angaben zu Auflösung, Bildrate oder zur maximalen Dauer einer Sitzung macht das Unternehmen nicht. Es heißt lediglich, die Umgebungen blieben über kurze Sitzungen hinweg stimmig. Die Vorstellung stieß auf großes Interesse: Auf der Technikplattform Hacker News gehörte die Ankündigung am Dienstag mit mehr als 800 Punkten zu den meistdiskutierten Beiträgen.
Trainingsgelände für Roboter und KI-Agenten
Google sieht Weltmodelle als Baustein auf dem Weg zu KI-Systemen, die in der physischen Welt handeln. In den simulierten Umgebungen sollen Roboter und KI-Agenten Aufgaben üben, bevor sie in der Realität eingesetzt werden. DeepMind zeigt dazu ein Beispiel, in dem ein Agent auf Basis von Gemini Bilder aus der Simulation beobachtet, ein Ziel in Teilschritte zerlegt und den Fortschritt prüft. In einer Demonstration spielt der humanoide Roboter Apollo des US-Herstellers Apptronik Dame.
Testerinnen und Tester nutzen das Modell laut DeepMind auch für andere Zwecke: um Filmszenen vorab zu visualisieren, um aus historischen Fotos begehbare Umgebungen zu machen, für schnelle Prototypen von Spielen und im Unterricht. Unternehmen sollen damit außerdem seltene Situationen durchspielen können, für die es kaum echte Daten gibt.
Wer Genie 4 nutzen kann
Vorerst steht Genie 4 nur ausgewählten Testerinnen und Testern als Forschungsvorschau zur Verfügung. Demnächst sollen Abonnentinnen und Abonnenten von Google AI Ultra das Modell in der Anwendung Project Genie ausprobieren können, außerdem Partner mit frühem Zugang zur Gemini-Schnittstelle und zu Google AI Studio. Für Project Genie gibt es eine Warteliste. In welchen Ländern das Angebot verfügbar sein wird, sagt Google nicht.
Grenzen und Kennzeichnung
DeepMind nennt selbst mehrere Schwächen. Details und die Beständigkeit von Objekten können sich vor allem in längeren Sitzungen oder nach mehreren Änderungen verschieben, ein Gegenstand sieht dann etwa plötzlich anders aus. Auch komplexe physikalische Abläufe, die Genauigkeit des Tons, lesbare Schrift und die räumliche Genauigkeit seien noch Gegenstand der Forschung.
Alle mit Genie 4 erzeugten Videos und Tonspuren werden mit dem unsichtbaren digitalen Wasserzeichen SynthID versehen, damit sie als KI-Inhalte erkennbar bleiben. Vor der Vorschau habe man interne Sicherheitstests durchgeführt, für das Modell gälten dieselben Schutzvorkehrungen wie für andere Google-Modelle, so das Unternehmen.