Google DeepMind、インタラクティブな生成世界でロボティクス試験を推進する「Genie 4」を発表

Google DeepMindは、人工知能やロボットシステムの検証向けに物理環境をシミュレートするインタラクティブな世界モデルの重要な進歩として、「Genie 4」を限定リサーチプレビューとして発表した。

10月27日に公開されたGenie 4は、前身であるGenie 3をベースに、ネイティブな音声や対話機能、よりリアルな物理演算、そして滑らかな人物の動きを取り入れている。テキストから静的な映像クリップを生成する従来の動画生成ツールとは異なり、Genie 4はインタラクティブで動的な環境を1フレームずつ構築し、シーンの展開に合わせてユーザーや自律システムが周囲の環境を連続的に変化させることができる。

リアルタイムな環境操作

Genie 4では、ユーザーが自然言語プロンプトを使用して、シミュレートされた環境をその場で調整できる。オペレーターはリアルタイムで気象条件の変更、オブジェクトやキャラクターの挿入、カメラアングルの調整を行える。

研究者はこれらの機能を活用することで、鉄砲水や山火事といったシミュレートされたイベントが動的にどのように展開するかを観察できる。また本プラットフォームは、自動運転車、ドローン、その他の移動型ロボットプラットフォームが、急激な天候の変化や複雑な視覚的景観にどのように適応するかをテストするための仮想試験場としても機能する。

Gemini Roboticsと連携した実用デモにおいて、GoogleはGenie 4をGeminiモデルと組み合わせた。このGeminiモデルは、タスクを連続したステップに分解し、シミュレートされたシーンを監視し、状況変化に応じて実行計画を調整する能力を持つ。一例として、開発チームはGenie 4を用いてインタラクティブなセットを生成し、そこでApptronikのヒューマノイドロボット「Apollo」のシミュレーション版にチェッカーをプレイさせた。

AI戦略企業Differential Factorの創業者兼CEOであるChris Selland氏によると、ユーザーやエージェントのアクションに直接反応するインタラクティブな空間を創出できる能力こそが、一般的な動画生成ツールとの最大の違いだという。この技術により、企業は高価な物理的テストベッドを建設することなく、運用シナリオのリハーサルや評価を行う仕組みを手に入れることができる。

ロボティクスの「リアリティギャップ」への対処

機能が拡大した一方で、Googleは現在の実験的ビルドにおけるいくつかの技術的限界も認めている。ユーザーが生成されたシーン内を移動したり、複雑なプロンプトの修正指示を出したりすると、視覚的な詳細やオブジェクトのプロパティにズレが生じることがある。また、長期的な視覚的一貫性、精細な空間的精度、鮮明なテキスト描画、正確な音声合成、複雑な物理的相互作用などの面でも課題が残っている。

こうした視覚的・物理的な不一致は、いわゆる「リアリティギャップ（現実との差異）」を示している。これはロボティクス分野で知られる課題であり、合成シミュレーションと現実世界の条件との違いによって、訓練されたソフトウェアが仮想環境の外で安定して動作できなくなる問題のことだ。

Selland氏は、Genie 4の基礎となる物理演算がまだ概算レベルであり、時間の経過とともにセッションにズレが生じる可能性があるため、現在のプレビュー版は高い精度を要するエンジニアリング用途には未対応であると指摘した。同様に、Strategic Horizon Researchの創業者兼CEOであるManish Jain氏も、企業が重要な物理的オペレーションの検証に世界モデルを使用する前には、生成された結果が現実世界の物理的ダイナミクスと一致するという明確な証拠が必要になると強調した。

提供プランと業界の競争状況

Googleは、Google AI Ultra加入者が利用可能な「Project Genie」を通じてコンシューマーテスター向けにGenie 4を提供するほか、Gemini APIおよびGoogle AI Studioを介して早期アクセスのエンタープライズパートナー向けにも提供する計画だ。具体的なリリーススケジュールや企業向け料金プランについてはまだ発表されていない。

今回の発表は、世界モデルやフィジカルAIをめぐる業界のモメンタムが高まる中で行われた。AIスタートアップのRunwayは9月にインタラクティブな音声機能を備えたプレイ可能な世界モデル「GWM Worlds 2」をリリースしており、Fei-Fei Li氏率いるWorld Labsも空間・物理的推論に特化したモデルの構築を積極的に進めている。