Google DeepMindが「Genie 4」発表。画像から対話型世界を生成

Google DeepMindは、テキストや画像からリアルタイムで操作可能な世界を構築する次世代世界モデル「Genie 4」を発表しました。ユーザーのプロンプトに応じて環境をシミュレートし、キャラクターの操作や物理的な相互作用を可能にする革新的なモデルです。

テキストから世界を構築・拡張

Genie 4は、テキストプロンプトを入力するだけで、詳細な環境を生成し、その中で何が起こるかをリアルタイムで計算します。動画内では「雪の中を歩くカンムリヅル」という指示から始まり、さらに「流れ星が空を横切る」「ピアノに向かって歩く」「キーを押す」といった追加のプロンプトを重ねることで、一貫性を保ったまま物語や環境を動的に拡張していく様子が示されています。ユーザーは単に映像を見るだけでなく、生成された世界をリアルタイムで再形成し、探索することが可能です。

静止画を動的な環境へ変換

既存の画像を、中に入って移動できるダイナミックな世界へと変換する機能を備えています。例として、ゴッホの『星月夜』のような絵画を読み込み、その画風を維持したまま3D的な空間へと再構築するデモンストレーションが行われました。この環境には環境音（アンビエントサウンド）も付随しており、視覚的な一貫性を保ちながら、絵画の中を歩き回るような体験を提供します。これにより、静止したビジュアルから没入感のあるインタラクティブな空間を即座に作り出すことができます。

高度な制御とシミュレーション

Genie 4は、映画のようなシーンのディレクションから、複雑なロボットのトレーニングまで幅広い用途に対応します。

・シーン制作：カメラワークの指定や、キャラクターの行動（「振り返る」「質問する」など）を詳細に指示できます。背景で爆発が起きたり、巨大なエイリアンの触手が現れたりといった劇的な変化もリアルタイムで反映されます。 ・インタラクティブ体験：数秒でゲームのような世界を構築し、キャラクターをフルコントロールして探索できます。動画ではドラゴンに乗って城を攻撃する一人称視点のシーンが紹介されました。 ・ロボット工学への応用：仮想空間内でロボットにタスクを練習させるシミュレーションが可能です。マイクロプレートへのピペッティングといった精密な作業を仮想環境で学習させ、その成果を物理世界のロボットに適用する道を開きます。

なぜ重要か

Genie 4は、従来の動画生成AIが「見る」対象であったのに対し、生成された空間を「操作し、その中で生活・訓練する」対象へと変えています。特に、ロボットが仮想空間での試行錯誤を通じて物理世界のスキルを獲得するプロセスは、AIがデジタル空間を超えて実社会の課題解決に直結する可能性を提示しています。

こんな人におすすめ

生成AIの最新動向を追っているクリエイター、ゲーム開発者、およびロボット工学の研究者。AIがどのように物理世界を理解し、シミュレートするかを知りたい人。