Google DeepMind ra mắt Genie 4: Mô hình thế giới tương tác thời gian thực

Google DeepMind vừa trình làng Genie 4, phiên bản kế nhiệm của mô hình thế giới Genie 3 từng được trình diễn vào tháng 8/2025. Khác với các công cụ tạo video truyền thống vốn xuất ra các tệp hoàn chỉnh, Genie 4 tính toán các khung cảnh theo thời gian thực, phản hồi liên tục với các thao tác từ bàn phím và câu lệnh văn bản (prompt) của người dùng.

Lần đầu tiên trong các mô hình thế giới thời gian thực của DeepMind, Genie 4 có khả năng tự tạo âm thanh nền đồng bộ, chẳng hạn như tiếng gió thổi qua kẽ lá, đi kèm với các đoạn hội thoại phản hồi của nhân vật. Các nhân vật trong môi trường mô phỏng được thiết kế để có thể trò chuyện với nhau, phản ứng trước những thay đổi của môi trường, di chuyển tự nhiên và chịu sự điều khiển trực tiếp từ người dùng.

Vận hành bởi các mô hình Gemini chạy ngầm

Genie 4 kế thừa các khả năng từ mô hình video Gemini Omni của DeepMind để đạt được hình ảnh và hành vi thực tế. Để duy trì tính nhất quán của môi trường qua các thay đổi cảnh quay, các mô hình Gemini chạy ngầm sẽ đảm nhận việc lập kế hoạch sự kiện. Nếu người dùng nhập lệnh thay đổi thời tiết, Gemini sẽ điều chỉnh chỉ dẫn để khớp với môi trường đang vận hành một cách mượt mà.

Trong các kịch bản đa bước, Gemini 3.8 Flash liên tục theo dõi luồng hình ảnh, chia nhỏ mục tiêu thành từng bước riêng lẻ và sử dụng các khung hình mới để xác nhận xem mỗi hành động có thành công hay không, từ đó điều chỉnh kế hoạch nếu điều kiện thay đổi.

DeepMind cũng đang kết hợp Genie 4 với sáng kiến robot của mình là Gemini Robotics, sử dụng Gemini 4 Argon. Trong một bản demo, Argon đã chia nhỏ một ván cờ đam thành các hướng dẫn từng bước. Sau đó, Genie 4 mô phỏng robot hình người Apollo của Apptronik chơi cờ đam dựa trên các hướng dẫn đó, thực hiện toàn bộ quy trình trong môi trường ảo mà không cần đến robot vật lý.

Hạn chế hiện tại và kế hoạch tiếp cận

DeepMind nhấn mạnh rằng Genie 4 vẫn đang trong giai đoạn thử nghiệm nghiên cứu (research preview). Mặc dù mô hình duy trì được sự gắn kết về cấu trúc trong các tương tác ngắn, nhưng các chi tiết hình ảnh có thể bị thay đổi và các vật thể cố định có thể biến mất trong các phiên làm việc kéo dài hoặc sau nhiều lần thay đổi câu lệnh. Các nghiên cứu vẫn đang được tiếp tục để hoàn thiện âm thanh thời gian thực chính xác, vật lý phức tạp và khả năng hiển thị văn bản có thể đọc được.

Tất cả các nội dung đa phương tiện do Genie 4 tạo ra sẽ được tích hợp watermark ẩn SynthID của Google để đánh dấu nội dung do AI tạo ra.

Hiện tại, quyền truy cập vào Genie 4 chỉ giới hạn cho một số người thử nghiệm được chọn. DeepMind dự kiến sẽ sớm triển khai mô hình này cho những người đăng ký Google AI Ultra thông qua ứng dụng web Project Genie, cũng như các đối tác có quyền truy cập sớm vào Gemini API và Google AI Studio. Về lâu dài, DeepMind tầm nhìn về các mô hình thế giới hỗn hợp, kết hợp khả năng suy luận bằng ngôn ngữ và mã nguồn với mô phỏng ở cấp độ pixel, đóng vai trò là môi trường huấn luyện then chốt cho các tác nhân AI và robot vật lý.