Genie 4: AI của Google tạo thế giới có âm thanh, điều khiển bằng câu lệnh

Genie 4 là mô hình thế giới mới của Google DeepMind, và những thế giới do nó tạo ra giờ đây đã có âm thanh. Chỉ cần mô tả một khung cảnh bằng một câu hoặc đưa vào một hình ảnh tham khảo, mô hình sẽ dựng nên một địa điểm để bạn dùng bàn phím điều khiển nhân vật đi qua, trong khi tiếng gió thổi qua tán cây, sóng vỗ bờ biển và giọng nói của những người đứng đó vang lên. Giờ đây, những nhân vật ấy còn có thể trò chuyện và phản ứng với hành động của bạn — điều mà DeepMind xem là bước tiến mang tính đột phá thực sự trong phiên bản này.

Với những ai từng thử các phiên bản trước, thay đổi lớn nhất là khả năng điều khiển. Bạn có thể nhập chỉ dẫn để đổi thời tiết, xoay góc máy hoặc đưa thêm một người hay vật thể vào khung cảnh; Gemini sẽ viết lại yêu cầu sao cho phù hợp với những gì đang hiện trên màn hình. Giữa các lần bạn ra lệnh, Gemini tiếp tục điều hướng mô phỏng để thế giới không tan rã. Trải nghiệm này giống như chỉ đạo một phim trường luôn hoạt động hơn là chơi trò chơi điện tử — và một số người thử nghiệm đầu tiên đã bắt đầu sử dụng công cụ theo cách đó.

Gemini lên kế hoạch cho cảnh quay, còn Genie tạo nên thế giới

Genie 4 tận dụng các mô hình khác trong hệ sinh thái của Google. Theo thông báo của DeepMind, Gemini Omni tạo nền tảng về hình ảnh và hành vi trong thế giới thực cho mỗi mô phỏng, còn các mô hình Gemini khác đảm nhiệm phần suy luận để giữ cho khung cảnh nhất quán từ khoảnh khắc này sang khoảnh khắc tiếp theo. Gemini 3.8 Flash hoạt động như một tác nhân dẫn đường: theo dõi thế giới khi Genie 4 dựng nên nó, chia mục tiêu thành từng bước, kiểm tra các khung hình nhận được để xác nhận mỗi bước đã hoàn tất và điều chỉnh kế hoạch khi bạn ngắt lời.

DeepMind cho biết bước tiến lớn nhất nằm ở con người. Các nhân vật di chuyển tự nhiên hơn, phản ứng với môi trường xung quanh và có thể được điều khiển ngay khi mô phỏng đang chạy; mô hình cũng xử lý được các yếu tố vật lý như khí động học và va chạm. Những đoạn trình diễn trên blog của công ty gồm một hạt phong xoay tròn rồi rơi xuống cỏ, một nhà ga đông đúc ở vùng quê Nhật Bản vào thập niên 1980 và cuộc đua rồng góc nhìn thứ nhất với tiếng đập cánh vang rền — toàn bộ âm thanh đều do chính Genie 4 tạo ra. Genie 3 tạo ra những thế giới không có âm thanh, ở độ phân giải 720p và tốc độ 24 khung hình mỗi giây; lần này, DeepMind chưa công bố số liệu về độ phân giải hay tốc độ khung hình, nên chỉ có thể đánh giá cải tiến qua các đoạn video do hãng cung cấp.

Trò chơi không phải mục tiêu duy nhất. DeepMind cho rằng mô phỏng thế giới là bước quan trọng hướng tới trí tuệ nhân tạo tổng quát; trong một màn trình diễn, Genie 4 kết hợp với Gemini 4 Argon để mô phỏng robot hình người Apollo của Apptronik chơi cờ đam. Argon chia nhiệm vụ thành từng bước rồi gửi chúng cho Genie 4 dưới dạng chú thích văn bản trong lúc khung cảnh được dựng lên. Về lâu dài, giá trị kinh doanh nằm ở những thế giới thực hành an toàn, biến đổi bất tận dành cho robot và các tác nhân phần mềm — từ rất lâu trước khi có ai bán một trò chơi Genie.

Nhà làm phim và phóng viên ảnh là những người đầu tiên trải nghiệm

DeepMind đang thử nghiệm Genie 4 với các nhóm trong lĩnh vực sáng tạo, báo chí, giáo dục, trò chơi và kỹ thuật. Các nhà làm phim dùng công cụ này như một chế độ phác thảo để hình dung trước cảnh quay: bước vào một khung cảnh trực tiếp và thực hiện nhiều lượt quay trong khi điều chỉnh góc máy, ánh sáng, lời thoại và hành động. Nhà phát triển trò chơi có thể biến ý tưởng thành nguyên mẫu để khám phá chỉ trong vài giây, trước khi viết một dòng mã cho bộ máy trò chơi. Các đối tác doanh nghiệp đang thử dùng công cụ để nhanh chóng tạo ra những kịch bản khác nhau.

Thử nghiệm nhạy cảm nhất liên quan đến các phóng viên ảnh, những người đang tìm hiểu cách biến một bức ảnh lưu trữ duy nhất thành phiên bản mô phỏng của địa điểm ấy chỉ trong vài giây, với người qua lại và chuyển động. DeepMind cũng đề cập đến việc hình dung diễn biến của một trận lũ quét hay cháy rừng. Một chuyến đi bộ chân thực qua con phố có thật trong lịch sử, nơi những con người do AI tạo ra đang trò chuyện, cũng có thể tạo thành một hình ảnh giả đầy thuyết phục. Câu trả lời của DeepMind là SynthID, hình mờ vô hình được nhúng vào mọi video và âm thanh do Genie 4 tạo ra, cùng các đợt đánh giá an toàn nội bộ và quá trình triển khai từng bước. SynthID chỉ phát huy tác dụng nếu các nền tảng và người xem thực sự dùng công cụ phát hiện; còn trên màn hình, không có dấu hiệu nào cho người xem thông thường biết đoạn phim là sản phẩm tổng hợp.

Thế giới vẫn có thể biến đổi theo thời gian

DeepMind thẳng thắn hơn thường lệ về những giới hạn của công nghệ. Genie 4 giữ được môi trường ổn định trong các phiên ngắn, nhưng chi tiết hình ảnh và tính liên tục của vật thể có thể thay đổi khi mô phỏng kéo dài hơn, sau nhiều lần chỉnh sửa câu lệnh phức tạp hoặc khi bạn di chuyển quanh khung cảnh. Tương tác vật lý phức tạp, âm thanh thời gian thực chính xác, văn bản dễ đọc, độ chính xác về không gian và tính nhất quán lâu dài đều được liệt kê là những vấn đề nghiên cứu chưa giải quyết được. Nói đơn giản, chiếc giá sách bạn đi ngang qua một phút trước có thể không còn là chiếc giá sách cũ khi bạn quay lại.

Hiện hầu hết mọi người vẫn chưa thể dùng thử. Genie 4 là bản xem trước dành cho nghiên cứu, chỉ giới hạn ở những người thử nghiệm được tin cậy. Google cho biết công cụ sẽ sớm có mặt với các thuê bao Google AI Ultra thông qua Project Genie, ứng dụng web tạo thế giới của hãng, cũng như với các đối tác được cấp quyền truy cập sớm vào Gemini API và Google AI Studio; danh sách chờ đã mở. Chưa có ngày phát hành, chưa có thông tin về mức giá ngoài gói Ultra — gói AI đắt nhất của Google — và cũng chưa rõ những quốc gia nào sẽ được tiếp cận đầu tiên. Khi Project Genie ra mắt vào ngày 29 tháng 1 năm 2026, với Genie 3 vận hành bên dưới, dịch vụ chỉ dành cho thuê bao Ultra từ 18 tuổi trở lên tại Hoa Kỳ, còn mỗi phiên sử dụng bị giới hạn ở 60 giây.

DeepMind công bố Genie 4 vào ngày 27 tháng 10 năm 2026, trong bài viết có chữ ký của Raia Hadsell, Diego Rivas và Hang Qi. Dòng mô hình này bắt đầu vào tháng 2 năm 2024 với một mô hình biến hình ảnh thành trò chơi đi cảnh 2D đơn giản, chuyển sang 3D với Genie 2 vào tháng 12 năm 2024, rồi đạt khả năng khám phá theo thời gian thực với Genie 3 vào tháng 8 năm 2025. Mỗi thế hệ đều bổ sung một bước tiến: thêm chiều không gian thứ ba, rồi khả năng di chuyển theo thời gian thực, và giờ là âm thanh cùng lời nói. Genie 4 vẫn cần chứng minh rằng một thế giới có thể ghi nhớ chính nó lâu hơn một giờ nghỉ uống cà phê.

Thẻ: trí tuệ nhân tạo, Google, Gemini, Google DeepMind, Genie 4, mô hình thế giới