DeepMindが世界モデルGenie 4を発表、音声と物理再現を強化

何が発表されたのか

Google DeepMindは、世界モデル「Genie 4」を発表しました。前世代のGenie 3をほぼすべての面で改良したモデルだと説明されています。DeepMindは世界モデルを汎用人工知能（AGI）に向けた重要な要素と位置づけており、今回の発表もその延長線上にあります。

世界モデルは、環境をあらかじめレンダリングしたり、インタラクティブな要素をプログラムしたりすることなく、指示に応じてフレーム単位でリアルタイムに仮想世界を生成する技術です。記事によれば、Genie 3は昨年公开され、ゲーム関連株を下落させるきっかけになりました。ただしGenie 3は限定的な「Project Genie」のWeb体験にとどまり、一般には広がっていません。

Genie 4については、信頼できるテスターの小規模なグループとともに、より広い公開に向けた準備が進められているとされます。アクセスの拡大は近く始まる見込みですが、具体的な時期は示されていません。

生成を支える仕組み

Genie 4では、世界を生成する際にGemini 3.8 Flashを誘導エージェントとして利用します。目標を分解し、出力される各フレームを評価することで、シミュレーションを軌道から外さないようにする仕組みです。これにより、さまざまな環境を移動しても元の文脈を失いにくくなるとしています。

一方でDeepMindは、Genie 4の世界が一貫性を保てるのは数分程度で、その後は開始時の状態を忘れてしまうと注記しています。無限に続く環境として使うには、まだ制約が残るということになります。

途中でパラメータを変更できる点はGenie 3と同様です。天気を変える、要素を追加する、カメラを動かすといった操作ができ、そのたびにGeminiがシミュレーションを誘導します。記事は、推論モデルが内部プロンプトを追加生成して適切な出力トークンに絞り込む動きに似ていると説明しています。

物理・人物・音声の改良

物理表現については、空気力学や衝突の扱いが向上したとDeepMindは説明します。AIが生成する映像は物理挙動が不自然に見えることがありますが、Genie 4はその再現性を高め、シミュレーションの実用性と見た目の両方を改善したとされています。

シミュレーション内に登場する人物も、不気味さが減ったとされます。動きがより自然になり、変化する環境への反応も改善されたということです。

Genie 4はDeepMindの世界モデルとして初めてネイティブの音声に対応しました。環境音の生成に加え、プロンプトで音声要素を指定できます。さらに、シミュレーションの変更に合わせて適応する対話音声も生成できると約束されています。記事は、通常のAI動画でリアルな音声が大きな転換点になったのと同じ変化が世界モデルにも来る可能性を示唆しています。

提供方法と料金

開発者向けには、Gemini APIとAI Studioを通じてGenie 4が提供される予定です。ただし、API利用の価格は現時点で公表されていません。

消費者向けの提供は段階的に行われ、まずGoogleの最も高価なAI Ultraプランが対象になります。AI Ultraは月100ドルからとされ、将来的にAI ProやAI Plusへ対象が広がる可能性があると記事は伝えています。

消费者向けの利用は引き続きProject Genie経由となり、そこでできることには制限がかかります。早期アクセスを希望する人向けのウェイトリストも用意されているということです。

現時点の注意点

Genie 4は研究開発の途上にある技術で、DeepMind自身が世界モデルはまだ活発な研究領域だと念を押しています。一貫性が数分しか保たれない点は、長い時間軸で使う用途にとって無視できない制約です。

提供時期やAPI価格、地域ごとの提供可否は明らかにされていません。現時点で確実に言えるのは、開発者向けにGemini APIとAI Studioで提供予定という方針と、消費者向けがAI Ultraから段階的に始まるという点にとどまります。