Google DeepMind, 27 Ekim’de yeni dünya modeli Genie 4’ü tanıttı. Dünya modeli, kullanıcının içinde gezinebildiği ve etkileşime girebildiği sanal ortamları gerçek zamanlı olarak üreten yapay zekâ sistemlerine verilen ad. Genie 4’ün önceki sürümlerden en büyük farkı, görüntünün yanında sesi de kendisinin üretmesi: Rüzgârın ağaçlardaki uğultusu, dalgaların kıyıya vuruşu, müzik ve en önemlisi karakterlerin kullanıcıya gerçek zamanlı yanıt veren konuşmaları.
DeepMind’a göre Genie 4, Gemini model ailesinin yeteneklerini temel alıyor. Gemini Omni, simülasyonları gerçek dünyadaki görünüm ve davranışlara bağlarken, diğer Gemini modelleri sahnenin tutarlılığını korumak için gereken akıl yürütmeyi sağlıyor. Şirketin ifadesiyle kullanıcı bir olayı başlatıyor; Genie 4 ise dünyanın nasıl tepki verdiğini, nasıl sesler çıkardığını ve içindeki insanların nasıl hareket edip konuştuğunu simüle ediyor.
Dört temel yenilik
DeepMind, Genie 4’ün dört alanda ilerleme sağladığını söylüyor:
- Gerçek zamanlı yönlendirme: Kullanıcı klavyeyle gezinirken doğal dilde komutlar vererek havayı değiştirebiliyor, kamerayı oynatabiliyor ya da sahneye yeni bir kişi veya nesne ekleyebiliyor. Gemini, komutu sahneye uyacak şekilde yorumluyor ve aradaki sürede dünyanın tutarlı ilerlemesini izliyor.
- Fizik ve insan hareketinde gerçekçilik: Model, aerodinamik ve çarpışma gibi fiziksel durumları simüle ediyor. Şirkete göre en büyük sıçrama, doğal hareket eden ve ortama tepki veren insan karakterlerde.
- Yerleşik ses: Genie 4, DeepMind’ın ses üreten ilk gerçek zamanlı dünya modeli. Karakterler kullanıcının girdilerine ve sahnedeki olaylara göre anlık olarak konuşabiliyor.
- Karmaşık olayların planlanması: Gemini 3.8 Flash, simülasyon sürerken sahneyi izleyen bir rehber ajan gibi çalışıyor; hedefleri adımlara bölüyor ve her adımın gerçekleşip gerçekleşmediğini kontrol ediyor. DeepMind, Gemini 4 Argon ile Genie 4’ü birlikte kullanarak insansı bir robotun dama oynamasını simüle ettiği bir örnek de paylaştı.
Kimler, ne için deniyor?
Şirket, Genie 4’ü yaratıcı endüstriler, gazetecilik, eğitim, oyun ve mühendislik alanlarından seçili test kullanıcılarıyla denediğini belirtiyor. Film yapımcıları bir sahneyi canlı bir simülasyonda farklı kamera açıları ve diyaloglarla “prova” edebiliyor; oyun geliştiriciler bir fikirden tek satır kod yazmadan gezilebilir bir prototipe geçebiliyor. Robotik tarafında ise robotları ve yapay zekâ ajanlarını gerçek dünyaya çıkarmadan önce sınırsız çeşitlilikte sanal ortamlarda eğitmek hedefleniyor.
Duyurudaki bir örnek özellikle dikkat çekici: Foto muhabirlerinin, tek bir iki boyutlu arşiv fotoğrafını saniyeler içinde o ortamın canlandırılmış bir simülasyonuna dönüştürmeyi denediği belirtiliyor. Tarihî mekânları deneyimlemek ya da sel ve orman yangını gibi olayların nasıl geliştiğini görselleştirmek için umut verici bir kullanım. Ama aynı zamanda, bir fotoğrafın “canlandırılmış” hâliyle gerçekte yaşananın birbirine karışabileceği yeni bir alan.
Sınırlar: Şirketin kendi kabul ettikleri
DeepMind, Genie 4’ü erken ve deneysel bir model olarak tanımlıyor. Kısa oturumlarda tutarlılığı koruyabilse de simülasyon uzadıkça, çok sayıda karmaşık komut verildikçe ya da sahnede dolaşıldıkça görsel ayrıntıların ve nesnelerin kalıcılığının bozulabildiği belirtiliyor. Karmaşık fiziksel etkileşimler, gerçek zamanlı ses doğruluğu, okunabilir metin üretimi, uzamsal doğruluk ve uzun süreli tutarlılık hâlâ araştırma konuları arasında.
Güvenlik ve filigran
Şirket, Genie 4’ün diğer modellerdeki güvenlik politikalarıyla uyumlu katı korumalar içerdiğini, ön izleme öncesinde zararlı içerik üretimini önlemeye yönelik iç değerlendirmelerden geçtiğini ve bilerek önce güvenilir test kullanıcılarına açıldığını belirtiyor. Genie 4’ün ürettiği tüm görüntü ve seslerin, yapay zekâ üretimi içeriği tanımlamaya yardımcı olan görünmez dijital filigran SynthID ile işaretleneceği ifade ediliyor.
Ne zaman erişilebilecek?
Genie 4 şu an yalnızca güvenilir test kullanıcılarına araştırma ön izlemesi olarak sunuluyor. DeepMind’a göre model yakında Project Genie üzerinden Google AI Ultra abonelerine, Gemini API ve Google AI Studio üzerinden de erken erişim ortaklarına açılacak. Kesin bir takvim ve fiyat paylaşılmadı.
Yapay zekâ okuryazarlığı açısından: Neyi sorgulamalıyız?
- Fotogerçekçi görüntü, doğal konuşan karakterler ve gerçekçi ses bir araya geldiğinde, bir videonun gerçek mi simülasyon mu olduğunu nasıl anlayacağız?
- Görünmez filigranlar, içerik platformdan platforma aktarılırken ve kırpılırken ne kadar işe yarıyor; bunu sıradan kullanıcı nasıl kontrol edecek?
- Bir arşiv fotoğrafından üretilen “canlı” sahne, tarihî bir olayı öğretirken mi yardımcı olur, yoksa yaşanmamış ayrıntıları gerçekmiş gibi hafızamıza mı yerleştirir?
- Robotları sanal dünyalarda eğitmek ucuz ve güvenli; peki simülasyonun gerçek dünyadan saptığı noktalar robotun davranışına nasıl yansıyacak?
Genie 4, dünya modellerinin oyun ve eğlencenin ötesinde eğitim, robotik ve gazetecilik gibi alanlara ne kadar hızlı yaklaştığını gösteriyor. Bu hız, “gördüğüme ve duyduğuma inanabilir miyim?” sorusunu her zamankinden daha önemli kılıyor.
Kaynak: Google DeepMind
