Google DeepMind は10月27日、文字の指示や画像から、歩き回れる仮想の世界をその場で作る世界モデル「Genie 4」を発表した。映像と同時に、風や波の音、音楽、そこにいる人の会話までリアルタイムに生み出すのが新しい。
まずは限られた試験者に研究版として渡し、次に有料プランの Google AI Ultra 会員が使う Project Genie と、開発者向けの Gemini API などに広げるという。動いて話す人のいる景色が手軽に作れるようになると、見る側には、それが本物かどうかを確かめる手間が増える。
指示した出来事の「その後」を演じる
使い方はゲームに近い。キーボードで歩き回り、カメラを動かし、文字で天気を変えたり、人や物を加えたりするよう指示すると、場面がその場で変わる。DeepMind によると、Gemini が指示を周りの景色に合うように読み替え、指示と指示の間も場面がつじつまを保って進むよう見張っている。
出来事を一つ起こすと、Genie 4 はその後に起きることを描く。世界がどう反応し、どう聞こえ、そこにいる人がどう動き、どう話すか。DeepMind は Genie 4 を、音を自前で生み出す初めてのリアルタイムの世界モデルだとし、登場人物は利用者の入力や世界の出来事に応じて、その場で会話するとしている。
洪水や山火事の広がりも描けるが、予測ではない
試験者は、映像制作、報道、教育、ゲーム、工学の分野から集めた。映画の作り手なら、撮影の前に同じ場面を何度も演じさせ、カメラの角度や照明、台詞をその場で試せる。報道写真の撮り手は、1枚の古い写真から、その場所を歩ける再現を作る使い方を探っている。
暮らしに近いところでは、鉄砲水や山火事のような短い時間の環境の変化がどう広がるかを、目で見える形にする試みもあるという。ロボットや AI エージェントを訓練する場を作る用途も、DeepMind 自身が挙げている。
ただし DeepMind は、複雑な物理の相互作用や空間の正確さは、まだ研究途上だと書いている。描かれた水の流れ方を、自分の家が浸水するかどうかの見積もりとして読むことはできない。分かりやすく見えることと、正しいことは別に確かめる必要がある。
長く動かすと、景色が崩れていく
短い時間なら世界はまとまって見えるが、長く動かしたり、複雑な指示を重ねたり、場面の中を歩き回ったりするうちに、細部や物の存在が少しずつずれていく。音声の正確さ、読める文字を描くこと、長い時間の一貫性も、まだ取り組み中の課題として並ぶ。
使える人もまだ限られる。いまは試験者だけで、一般向けには Project Genie の待機リストに登録して順番を待つことになる。最初に開くのは有料の Google AI Ultra の会員で、対象の国や年齢の条件は、今回の発表には書かれていない。
本物らしさの裏に、見えない透かし
DeepMind は、Genie 4 が作る映像と音声のすべてに、同社の電子透かし SynthID を入れるとしている。目にも耳にも分からない形で、AI が作ったものだと後から識別できるようにする仕組みだ。公開の前には安全性の評価を重ね、まず試験者に限って渡したという。
透かしは、作る側が責任を持って埋め込むものだ。見る側からは見えないので、受け取った映像が透かし入りかどうかは、自分の目では分からない。人が話し、物音がし、出来事がその場で進む映像は、これまで本物らしさの手がかりだった。その手がかりが、作れるものに変わりつつある。
次に確かめたいのは、Project Genie の待機リストの案内と、Genie 4 が Google AI Ultra の会員に開かれる時期の告知だ。そこで、どの国の誰が使えるようになるのかが初めて分かる。
ことば
- 世界モデル — 世界がどう見え、どう動き、どう反応するかを学んだ AI。動画を作るだけでなく、利用者の操作に応じて次の場面をその場で描くため、ロボットの訓練やゲームの試作にも使われ始めている。
- SynthID — Google が開発した電子透かし。画像や映像、音声に人には分からない印を埋め込み、AI が作ったものかを後から識別できるようにする。Genie 4 では映像と音声の両方に入る。
動いて話す人のいる映像を前にしたとき、あなたは何を手がかりに本物だと判断するだろうか？
