Google DeepMind Genie 3 là gì? Biên giới mới của mô hình thế giới

Google DeepMind đã công bố Genie 3, một mô hình thế giới đa năng đánh dấu bước tiến lớn trong môi trường tương tác do AI tạo ra. Hệ thống này có thể tạo các thế giới động mà bạn điều hướng theo thời gian thực ở 24 khung hình mỗi giây, duy trì tính nhất quán ở độ phân giải 720p trong vài phút.

Đây không phải tạo video theo cách truyền thống. Genie 3 tạo ra những môi trường bạn có thể khám phá và tương tác ngay khi chúng đang được sinh ra.

Mô hình thế giới là gì?

Trước khi hiểu Genie 3, nên xác định “mô hình thế giới” thực sự nghĩa là gì.

Mô hình thế giới là các hệ thống AI dùng hiểu biết về thế giới để mô phỏng các khía cạnh của nó. Chúng giúp tác nhân AI dự đoán môi trường sẽ diễn biến thế nào và hành động của chúng sẽ tác động ra sao.

Hãy nghĩ đến sự khác biệt giữa:

Tạo video: Tạo một đoạn đã dựng sẵn để bạn xem
Mô hình hóa thế giới: Tạo một môi trường liên tục mà bạn có thể điều hướng và tác động

Google DeepMind đã tiên phong trong hướng nghiên cứu này hơn một thập kỷ, từ huấn luyện tác nhân làm chủ trò chơi chiến thuật thời gian thực (AlphaStar) đến phát triển môi trường mô phỏng cho robot.

Quá trình tiến hóa: Từ Genie 1 đến Genie 3

Genie 3 được xây trên hai phiên bản trước:

Genie 1 (2024): Mô hình thế giới nền tảng đầu tiên có thể tạo môi trường mới cho tác nhân AI từ hình ảnh.

Genie 2 (2024): Mô hình thế giới nền tảng quy mô lớn mở rộng khả năng nhưng chưa có tương tác thời gian thực.

Genie 3 (2026): Mô hình thế giới đầu tiên trong dòng này cho phép tương tác theo thời gian thực, với độ nhất quán và tính chân thực tốt hơn so với Genie 2.

Google DeepMind mô tả mô hình thế giới là “một bước đệm then chốt trên con đường tới AGI” vì chúng giúp huấn luyện tác nhân AI trong các môi trường mô phỏng phong phú, không giới hạn.

Năng lực cốt lõi của Genie 3

Mô hình hóa các tính chất vật lý của thế giới

Genie 3 có thể mô phỏng các hiện tượng tự nhiên như động lực nước, hiệu ứng ánh sáng và các tương tác môi trường phức tạp.

Các prompt ví dụ đã trình diễn:

Điều hướng địa hình núi lửa bằng robot bánh xe trong khi tránh các vũng dung nham
Lái mô tô nước trong một lễ hội ánh sáng
Đi dọc bờ biển Florida trong bão với sóng vỗ tràn lên đường
Theo một con sứa qua các miệng phun thủy nhiệt dưới biển sâu
Lái trực thăng trên các vách đá ven biển

Mô phỏng thế giới tự nhiên

Hệ thống tạo ra các hệ sinh thái sống động với hành vi động vật chân thực và đời sống thực vật tinh tế.

Prompt ví dụ:

Chạy qua cảnh quan băng hà và gặp động vật hoang dã
Bơi qua các đàn sứa phát quang sinh học dưới đại dương sâu
Khám phá một khu vườn thiền Nhật Bản với họa tiết cát cào
Di chuyển trong môi trường tán lá dày, ướt mưa

Hoạt hình và hư cấu

Genie 3 khai thác trí tưởng tượng, tạo các tình huống kỳ ảo và nhân vật hoạt hình biểu cảm trên nhiều phong cách hình ảnh.

Prompt ví dụ:

Một sinh vật bông xù chạy qua cầu vồng (phong cách hoạt hình 3D)
Hóa thân thành thằn lằn theo phong cách origami
Bay như một con đom đóm qua những ngôi nhà trên cây mê hoặc
Phong cảnh Ireland trải qua biến đổi trọng lực đầy kịch tính

Khám phá địa điểm và bối cảnh lịch sử

Hệ thống có thể vượt qua ranh giới địa lý và thời gian.

Prompt ví dụ:

Địa hình núi non ở dãy Alps
Venice trên Vaporetto với phản chiếu kênh đào chân thực
Cung điện Knossos ở Crete cổ đại như lúc còn thời hoàng kim
Đạp xe trên con đường nguy hiểm Killar-Kishtwar ở Ấn Độ

Các đột phá kỹ thuật

Tương tác thời gian thực

Đạt hiệu năng thời gian thực ở 24 fps đòi hỏi đổi mới kỹ thuật đáng kể. Trong quá trình tạo khung hình tự hồi quy, mô hình phải tính đến toàn bộ quỹ đạo đã tạo trước đó.

Ví dụ: nếu người dùng quay lại một địa điểm sau một phút khám phá, mô hình tham chiếu thông tin liên quan từ thời điểm trước đó—đồng thời tính toán nhiều lần mỗi giây để phản hồi các đầu vào mới của người dùng ngay khi chúng đến.

Tính nhất quán môi trường trên khoảng thời gian dài

Môi trường do AI tạo phải giữ tính nhất quán vật lý thì mới nhập vai được. Việc này khó hơn về mặt kỹ thuật với tạo sinh thời gian thực so với video dựng sẵn vì sai số tích lũy theo thời gian.

Môi trường Genie 3 vẫn “nhìn chung nhất quán trong vài phút, với bộ nhớ thị giác kéo dài tới một phút trước.” Google DeepMind ghi nhận đây là khả năng nổi hiện—khác với NeRF hay Gaussian Splatting, Genie 3 không cần biểu diễn 3D tường minh.

Sự kiện thế giới có thể ra lệnh bằng prompt

Ngoài điều khiển di chuyển, Genie 3 cho phép can thiệp bằng văn bản để thay đổi thế giới được tạo:

Đổi điều kiện thời tiết
Đưa vào vật thể và nhân vật mới
Thay đổi môi trường giữa chừng trải nghiệm

Điều này mở rộng phạm vi các kịch bản “nếu như”—then chốt để huấn luyện tác nhân AI xử lý tình huống bất ngờ.

Thúc đẩy nghiên cứu tác nhân hiện thân

Một ứng dụng then chốt là huấn luyện tác nhân AI trong môi trường được tạo. Google DeepMind đã thử Genie 3 với tác nhân SIMA (một tác nhân tổng quát cho môi trường ảo 3D).

Quy trình:

Tạo một thế giới với bối cảnh cụ thể
Chỉ dẫn tác nhân theo đuổi các mục tiêu riêng
Tác nhân gửi hành động điều hướng tới Genie 3
Genie 3 mô phỏng tương lai dựa trên những hành động đó (mà không biết mục tiêu của tác nhân)

Vì Genie 3 duy trì tính nhất quán, tác nhân có thể thực hiện chuỗi hành động dài hơn và đạt các mục tiêu phức tạp hơn. Google DeepMind kỳ vọng công nghệ này sẽ đóng vai trò quan trọng khi họ tiến tới AGI.

Hạn chế hiện tại

Nhóm thừa nhận một số ràng buộc:

Hạn chế	Mô tả
Không gian hành động hạn chế	Dù sự kiện ra lệnh bằng prompt cho phép can thiệp môi trường rộng, hành động trực tiếp của tác nhân vẫn bị ràng buộc
Tương tác đa tác nhân	Tương tác phức tạp giữa nhiều tác nhân độc lập vẫn còn khó
Độ chính xác địa lý	Không thể mô phỏng địa điểm thực với độ chính xác hoàn hảo
Kết xuất chữ	Chữ rõ, dễ đọc chỉ xuất hiện khi được cung cấp trong prompt đầu vào
Thời lượng	Hỗ trợ vài phút tương tác liên tục, không phải nhiều giờ kéo dài

Tình trạng sẵn có

Genie 3 hiện là bản xem trước nghiên cứu giới hạn.

Google DeepMind đang cấp quyền truy cập sớm cho một nhóm nhỏ học giả và nhà sáng tạo. Cách làm này giúp họ:

Thu thập phản hồi quan trọng
Phát triển góc nhìn liên ngành về biên giới mới này
Xây dựng hiểu biết về rủi ro và các biện pháp giảm thiểu phù hợp

Hiện không có danh sách chờ công khai hay điểm truy cập công khai. Trọng tâm là phát triển có trách nhiệm trước khi phát hành rộng hơn.

Tiếp theo là gì?

Google DeepMind xem Genie 3 là một thời điểm quan trọng khi mô hình thế giới bắt đầu tác động cả nghiên cứu AI lẫn truyền thông tạo sinh. Họ đang khám phá:

Giáo dục và đào tạo: Giúp học viên học và chuyên gia tích lũy kinh nghiệm
Huấn luyện tác nhân: Cung cấp không gian rộng lớn để huấn luyện robot và hệ thống tự hành
Đánh giá tác nhân: Khám phá hiệu năng và điểm yếu của tác nhân
Mở thêm quyền truy cập thử nghiệm: Đưa Genie 3 tới nhiều người dùng hơn trong tương lai

Bức tranh lớn hơn

Genie 3 đánh dấu sự chuyển dịch trong cách ta nghĩ về nội dung do AI tạo. Chúng ta đang đi từ:

Đoạn tĩnh → Môi trường tương tác
Prompt cố định → Điều khiển thời gian thực
Xem video → Điều hướng thế giới

Hiện tại, Genie 3 vẫn là công cụ nghiên cứu. Nhưng nó chỉ ra một tương lai nơi AI không chỉ tạo nội dung để tiêu thụ, mà còn tạo ra những thế giới để khám phá.

Đang tìm một lựa chọn thay thế?

Quyền truy cập hạn chế của Genie 3 nghĩa là hầu hết người dùng chưa thể thử hôm nay. Nếu bạn muốn trải nghiệm tạo thế giới thời gian thực ngay bây giờ, PixVerse R1 là một lựa chọn thay thế công khai:

Tạo theo thời gian thực lên tới 1080p
Khả năng phát trực tiếp vô hạn
Tạo âm thanh đồng bộ
Đang mở rộng quyền truy cập công khai

Tìm hiểu thêm trong so sánh Genie 3 và PixVerse R1 của chúng tôi hoặc thử tại realtime.pixverse.ai.