Google DeepMind’ın yeni dünya modeli Genie 4, kullanıcı komutlarıyla anlık olarak değiştirilebilen sanal ortamlar oluşturuyor. Model, görüntü üretiminin yanı sıra çevresel sesler ve karakterler arasında etkileşimli konuşmalar da sağlayabiliyor.
Sanal ortamlar komutlarla şekilleniyor
Gemini ailesinin yeteneklerinden yararlanan Genie 4, metin komutlarıyla yönlendirilen ve içinde serbestçe dolaşılabilen simülasyonlar üretiyor. Sahne önceden bütünüyle hazırlanmış olmak zorunda değil; sistem, kullanıcı ortamı keşfederken görüntüleri kare kare oluşturuyor.
Modelin dayandığı dünya modelleri yaklaşımı, yalnızca görüntü ya da video üretmekten farklı olarak fiziksel bir ortamın davranışlarını ve olayların gelişimini simüle etmeyi amaçlıyor. Böylece oluşturulan sahne, sadece izlenen bir içerik değil, içinde hareket edilebilen ve etkileşim kurulabilen bir ortama dönüşüyor.
Kullanıcılar simülasyon sürerken doğal dil komutlarıyla hava durumunu değiştirebiliyor, kameranın konumunu düzenleyebiliyor veya sahneye karakter ve nesne ekleyebiliyor. Gemini modelleri komutları mevcut bağlamla ilişkilendirerek ortamın ilerleyişini yönlendirebiliyor.
Fizik ve insan hareketlerinde gelişme
Google, Genie 3’ü geçen yıl tanıtmıştı. Önceki model, klavye komutlarıyla kontrol edilebilen 720p çözünürlükte ve saniyede 24 kare hızında dünyalar sunuyordu. Genie 4’ün çözünürlüğü gibi teknik özellikler henüz açıklanmadı; şirketin örnek videoları FHD çözünürlükte ve 24 kare hızında paylaşıldı.
Google DeepMind’a göre yeni model, aerodinamik ve çarpışmalar gibi fiziksel etkileşimleri önceki sürüme kıyasla daha başarılı biçimde canlandırıyor. İnsan karakterlerin çevreye tepkileri ve hareketleri de daha doğal hale gelirken, karakterler kullanıcı yönlendirmelerine gerçek zamanlı karşılık verebiliyor.
Bu özellikler farklı senaryoların simülasyonlarda denenmesine imkân verebilir. Ancak görsel gerçekçilik, fizik kurallarının her durumda kusursuz işlendiği anlamına gelmiyor. Google, özellikle karmaşık fiziksel etkileşimler ve uzun süren simülasyonlarda geliştirilmesi gereken noktalar bulunduğunu belirtiyor.
Ortam sesleri ve konuşmalar üretiyor
Genie 4’ün yeniliklerinden biri, simülasyonla eş zamanlı ses üretmesi. Model rüzgâr ve dalga gibi ortam sesleri oluşturabiliyor; kullanıcılar komutlarıyla sahnenin ses özelliklerini yönlendirebiliyor. İstenmesi halinde ortama uygun müzik de üretilebiliyor.
Modeldeki karakterler, kullanıcı girdilerine ve simülasyonda yaşananlara göre gerçek zamanlı diyaloglar kurabiliyor. Böylece karakterler yalnızca hareket eden görsel öğeler olmaktan çıkıp çevrelerindeki gelişmelere sözlü tepki verebilen unsurlar haline geliyor. Google DeepMind, görüntü, hareket ve sesin aynı simülasyonda üretilmesini dünya modelinin temel özelliklerinden biri olarak konumlandırıyor.
Gemini modelleri sürekliliğe katkı sağlıyor
Google’ın açıklamasına göre Gemini Omni, simülasyonların gerçek dünyanın görünüm ve davranış özelliklerinden yararlanmasına yardımcı oluyor. Diğer Gemini modelleri ise akıl yürütme ve süreklilik görevlerini üstleniyor.
Sistem, bir komutu yalnızca yeni bir görüntü oluşturarak karşılamıyor; hedefi adımlara bölebiliyor, ortaya çıkan kareleri izleyebiliyor ve simülasyonun planlanan yönde ilerleyip ilerlemediğini değerlendirebiliyor. Böylece önceki olaylarla yeni gelişmeler arasında bağ kurulması amaçlanıyor.
Google’ın verdiği örneklerden birinde Gemini 3.8 Flash, yönlendirici ajan olarak simülasyonu sürekli gözlemliyor, hedefleri aşamalara ayırıyor ve bu aşamaların tamamlanıp tamamlanmadığını kontrol ediyor. Ortam değiştiğinde ya da kullanıcı yeni bir komut verdiğinde planını güncelleyebiliyor.
Şirket, Gemini 4 Argon ile Genie 4’ü birleştirerek Apptronik’in Apollo insansı robotunun dama oynadığı bir simülasyon üzerinde de çalışıyor. Öte yandan, simülasyon süresi uzadıkça dünyada bozulmalar artabiliyor; art arda verilen çok sayıda karmaşık komut da tutarlılık sorunlarını ağırlaştırabiliyor.
Robotik, oyun ve eğitim için olası kullanım alanları
Google DeepMind, Genie 4’ü yalnızca oyun benzeri deneyimler üretmek için geliştirmiyor. Şirket, dünya modellerinin robotlar ve yapay zeka ajanları için güvenli ve çeşitlendirilebilir eğitim ortamları oluşturabileceğini değerlendiriyor.
Film yapımcıları, bir sahneyi çekmeden önce sanal ortamda kamera açılarını, ışığı, diyalogları ve karakter hareketlerini deneyebilir. Oyun geliştiricileri de ayrıntılı oyun motoru çalışmalarına başlamadan önce doğal dil komutlarıyla keşfedilebilir prototipler hazırlayabilir.
Gazetecilik ve eğitimde, arşivdeki iki boyutlu bir fotoğrafın içinde dolaşılabilen bir ortama dönüştürülmesi gibi kullanım senaryoları araştırılıyor. Sel ve orman yangını gibi çevresel olayların gelişimi de simülasyonlarla görselleştirilebilir.
Genie 4’e erişim planı
Genie 4 şu anda sınırlı sayıdaki güvenilir test kullanıcısına araştırma önizlemesi olarak sunuluyor. Google, daha geniş erişimden önce bu kullanıcılardan geri bildirim almayı ve modelin sınırlarını değerlendirmeyi planlıyor.
Tüketiciler için ilk aşamada Google AI Ultra aboneleri, Project Genie üzerinden modele erişebilecek. Google ayrıca Gemini API ve Google AI Studio aracılığıyla erken erişim ortaklarına Genie 4 sunmayı hedefliyor. AI Pro ve AI Plus abonelerine erişimin daha sonra genişletilmesi ihtimali bulunsa da kesin bir takvim açıklanmadı.
Google AI Ultra’nın başlangıç fiyatı ayda 100 dolar. Genie 4’ün API kullanım ücretleri henüz paylaşılmadı ve Project Genie erişiminde kullanım sınırları uygulanacak. Google, oluşturulan görüntü ve seslere SynthID dijital filigran teknolojisi ekleyecek. Erken erişim için bir bekleme listesi de bulunuyor.
