Google DeepMind predstavil Genie 3: AI model, ktorý vytvára interaktívne svety v reálnom čase

Umelá inteligencia práve urobila ďalší obrovský skok vpred. Google DeepMind včera oznámil Genie 3, prvý world model, ktorý dokáže vytvárať interaktívne virtuálne svety v reálnom čase. Zatiaľ čo generatívne AI modely ako ChatGPT či Gemini produkujú text a obrázky, Genie 3 ide oveľa ďalej - vytvára celé svety, v ktorých sa dá pohybovať, interagovať a dokonca ich meniť za behu pomocou jednoduchých textových príkazov.

Táto technológia môže zásadne zmeniť nielen herný priemysel, ale aj spôsob, akým trénujeme umelú inteligenciu smerom k AGI - artificial general intelligence, teda umelej všeobecnej inteligencii.

Čo robí Genie 3 výnimočným

Genie 3 predstavuje kvalitatívny skok oproti svojmu predchodcovi Genie 2, ktorý bol uvedený len pred siedmimi mesiacmi. Kým Genie 2 dokázal generovať 3D prostredia s rozlíšením 360p a konzistenciou okolo 10-20 sekúnd, Genie 3 posúva hranice na úplne inú úroveň.

Model teraz vytvára interaktívne svety v 720p rozlíšení pri 24 snímkach za sekundu, pričom dokáže udržať konzistenciu prostredia niekoľko minút. Najdôležitejšie je však to, že má vizuálnu pamäť, ktorá siaha až jednu minútu dozadu. To znamená, že keď sa vráti na miesto, kde už predtým bol, svet vyzerá presne tak, ako ho zanechal.

Shlomi Fruchter, výskumný riaditeľ DeepMind-u, to pri oznámení opísal jasne:

“Genie 3 je prvý real-time interaktívny general purpose world model. Nejde o úzko špecializovaný model pre konkrétne prostredie. Dokáže generovať fotorealistické aj imaginárne svety a všetko medzi tým.”

Promptable World Events: Meníme realitu slovami

Jednou z najfascinujúcejších vlastností Genie 3 sú takzvané “promptable world events” - možnosť dynamicky meniť vygenerovaný svet pomocou textových príkazov. Predstavte si, že sa prechádzate po virtuálnej horskej scenérii a rozhodnete sa, že chcete vidieť stádo jeleňov. Stačí napísať príkaz “pridaj stádo jeleňov” a model ich okamžite vygeneruje priamo do scény.

Táto schopnosť otvára nekonečné možnosti pre “what if” scenáre.

Ako vysvetlil Jack Parker-Holder, výskumný vedec z DeepMind týmu:

“Dokážeme potenciálne uviesť novú éru, kde agenti môžu robiť nové, netradičné akcie v reálnom svете.” Odvolával sa pritom na slávny moment AlphaGo proti Lee Sedolovi v roku 2016, keď AI urobilo geniálny ťah, ktorý žiaden človek nepredpokladal.

Pre vývojárov a výskumníkov to znamená možnosť testovať AI agentov v nekonečne rôznorodých a neočakávaných situáciách, čo je kľúčové pre vývoj robustných a spoľahlivých systémov.

Cesta k AGI - umelej všeobecnej inteligencii

DeepMind nepovažuje Genie 3 len za pokročilý herný engine. Je to strategický krok smerom k AGI - umelej všeobecnej inteligencii. World modely sú totiž považované za jeden z kľúčových stavebných kameňov skutočne inteligentných systémov.

Yann LeCun, hlavný AI vedec spoločnosti Meta, už skôr vysvetlil dôležitosť world modelov:

“Potrebujeme stroje, ktoré rozumejú svetu; stroje, ktoré si pamätajú veci, majú intuíciu a zdravý rozum - veci, ktoré dokážu uvažovať a plánovať na rovnakej úrovni ako ľudia.”

Genie 3 už teraz testuje kompatibilitu so SIMA agentom (Scalable Instructable Multiworld Agent) - generalistickým AI agentom DeepMind pre 3D virtuálne prostredia. V testovaných scenároch dokázal agent úspešne plniť úlohy ako “priblíž sa k jasne zelenému lisovaniu odpadu” alebo “choď k červenému vysokozdvižnému vozíku”.

Schopnosť udržať konzistenciu umožňuje vykonávať dlhšie sekvencie akcií a dosiahnuť zložitejšie ciele, čo je presne to, čo potrebujeme pre rozvoj AGI.

Technológia, ktorá sa učí fyzikálnym zákonom a interakciami v simulácii reálneho sveta

Na rozdiel od tradičných herných engine-ov, ktoré majú naprogramované fyzikálne zákony (Unreal Engine, Unity, Frostbite), Genie 3 si fyziku sveta osvojuje sám. Model sa naučil, ako objekty padajú, ako sa pohybujú, ako interagujú - podobne ako dieťa postupne objavuje, že pohár na okraji stola môže spadnúť ak do neho narazíme.

Táto tzv. "emergentná schoponosť" nebola explicitne naprogramovaná. Ako uviedol tím DeepMind, konzistencia je u Genie 3 “emergentnou schopnosťou” - teda vlastnosťou, ktorá sa objavila prirodzene počas trénovania bez priameho programovania.

Juan Bernabé-Moreno, riaditeľ IBM Research, to vysvetľuje takto:

“World modely zásadne menia spôsob, akým systémy vnímajú a interagujú so svojím prostredím. Namiesto jednoduchého mapovania vstupov na výstupy tieto modely vytvárajú vnútorné reprezentácie, ktoré zachytávajú štruktúru, dynamiku a kauzálne vzťahy.”

Aplikácie pre Slovensko a región

Pre malé krajiny ako Slovensko môže Genie 3 predstavovať obrovskú príležitosť. Technológia demokratizuje prístup k pokročilým simulačným prostrediam, ktoré si doteraz mohli dovoliť len veľké technologické spoločnosti s obrovskými rozpočtami.

Vzdelávanie môže byť revolučne zmenené. Študenti histórie si budú môcť “prejsť” po stredovekých hradoch, študenti biológie preskúmať vnútro bunky, študenti fyziky experimentovať s gravitáciou v rôznych podmienkach. Všetko v real-time, interaktívne a prispôsobené individuálnym potrebám.

V zdravotníctve môžu world modely pomôcť pri tréningu chirurgov v rôznych scenároch, modelovaní šírenia epidémií alebo testovaní nových liečebných postupov v bezpečnom virtuálnom prostredí.

Slovenské firmy môžu využiť technológiu na prototypovanie produktov, testovanie návrhov či tréning zamestnancov v simulovaných prostredích bez rizika a vysokých nákladov.

Limity a výzvy súčasnej verzie

Genie 3 síce predstavuje prelomovú technológiu, ale má aj svoje aktuálne obmedzenia. DeepMind otvorene priznáva niekoľko kľúčových problémov:

Obmedzený priestor pre akcie - Hoci promptable world events umožňujú široké možnosti zásahov do prostredia, tieto nevykonáva agent sám. Rozsah akcií, ktoré môžu agenti vykonávať priamo, je stále obmedzený.

Interakcia medzi agentmi - Presné modelovanie komplexných interakcií medzi viacerými nezávislými agentmi v zdieľaných prostrediach zostává výskumnou výzvou.

Geografická presnosť - Genie 3 v súčasnosti nedokáže simulovať reálne lokácie s dokonalou geografickou presnosťou.

Trvanie interakcie - Model v súčasnosti podporuje niekoľko minút nepretržitej interakcie namiesto hodín, ktoré by boli potrebné pre komplexnejšie aplikácie.

Tím DeepMind tiež upozorňuje, že generovanie prostredí v reálnom čase je extrémne náročné na výpočtové zdroje. Genie 3 je v podstate renderovanie veľmi dlhého videa tak rýchlo, že pôsobí interaktívne, čo spotrebúva obrovské množstvo procesnej sily.

Bezpečnosť a zodpovedný vývoj

DeepMind pristupuje k uvedeniu Genie 3 opatrne. Technológia je v súčasnosti dostupná len ako “limited research preview” pre malú skupinu akademikov a tvorcov obsahu. Tento prístup umožňuje zbierať dôležitú spätnú väzbu a interdisciplinárne perspektívy pri pokračujúcom výskume.

Spoločnosť úzko spolupracuje so svojím Responsible Development & Innovation Team na riešení jedinečných rizík spojených s otvorenosťou a real-time schopnosťami technológie.

Ako zdôrazňuje DeepMind:

“Sme odhodlaní vyvíjať naše najlepšie modely spôsobom, ktorý posilňuje ľudskú kreativitu, pričom obmedzuje nežiaduce dopady.”

Praktické tipy

1. Sledujte vývoj API a následnú dostupnosť
Hoci Genie 3 nie je v súčasnosti verejne dostupný, DeepMind avizuje, že zvažuje rozšírenie prístupu pre ďalších testerov. Slovenské vzdelávacie inštitúcie a technologické firmy by mali sledovať oficiálne oznámenia a pripraveť sa na možné partnerstvá alebo spoluprácu s výskumnými inštitúciami, ktoré už majú prístup.

2. Investujte do interdisciplinárnych tímov
World modely vyžadujú kombinovanie expertízy z rôznych oblastí - od počítačovej vedy cez kognitívne vedy až po špecifické doménové znalosti. Slovenské firmy by mali už teraz budovať tímy, ktoré dokážu efektívne využiť túto technológiu, keď bude komerčne dostupná.

Pre získanie najnovších informácií o world modeloch a AGI technológiách navštívte AI-kurzy.online, kde nájdete aktuálne kurzy a vzdelávacie materiály o najnovších AI trendoch.