Genie 4: світові моделі DeepMind і нова симуляція реальності

Google DeepMind показала Genie 4 — модель, яка генерує інтерактивний світ у реальному часі з одного зображення чи текстового опису, і цей світ зберігає узгодженість, поки ви в ньому рухаєтесь. Не відеоролик, який можна тільки дивитись, а простір, у якому агент ходить, повертає за ріг і бачить ту саму кімнату, що бачив хвилину тому.

Це те, що називають world model — моделлю світу. Різниця між нею і генератором відео приблизно така сама, як між відеозаписом вулиці й грою, у якій ту вулицю можна пройти наскрізь і повернутись. Модель не просто малює наступний кадр — вона тримає в «пам'яті» геометрію простору й реагує на дії так, ніби за ними стоїть фізика.

Чому це складніше, ніж здається

Головна проблема таких систем — узгодженість у часі. Згенеруй кімнату, відвернись, поверни камеру назад — і дешева модель намалює вже іншу кімнату, бо вона щоразу вигадує світ наново. Genie 4 тримає сцену стабільною протягом довших відрізків взаємодії. Для людини, що дивиться ролик, це дрібниця. Для агента, якого ви тренуєте діяти в цьому середовищі, це різниця між осмисленим навчанням і галюцинацією.

Саме тому такі моделі цікаві не ігровій індустрії, а робототехніці. Щоб навчити робота ходити, хапати чи їхати, йому потрібні тисячі годин спроб і помилок. Робити це залізом — дорого й повільно: кожне падіння ламає дрон, кожна аварія зупиняє проєкт на тиждень. Світова модель дає середовище, у якому агент помиляється безкоштовно й мільйони разів за ніч.

Де тут український інтерес

У нас склався рідкісний збіг: сильна інженерна школа в дронах і гостра потреба навчати системи діям у сценаріях, які небезпечно або неможливо відтворювати наживо. Розмінування, пошук поранених у зруйнованій будівлі, навігація дрона в місті під РЕБ — усе це дорого й ризиковано репетирувати в реальності. Світова модель, навчена на відео реальних міст і руїн, могла б генерувати варіації таких сцен для тренування автономних систем.

Тут важливо не продати ілюзію. Модель на кшталт Genie 4 — це не фізичний симулятор із точними рівняннями балістики чи детонації. Вона відтворює те, як світ виглядає й поводиться на основі побаченого, а не те, як він влаштований насправді. Агент, натренований лише в такому середовищі, успадкує його помилки — те, чого модель не бачила, вона домалює навмання. Для гри це прийнятно. Для сапера — ні.

Реалістичний сценарій для українського стартапу — гібрид. Світова модель бере на себе дешеве масове тренування сприйняття: розпізнати коридор, оцінити прохід, зреагувати на рух. Критичні рішення, де ціна помилки — життя, залишаються за фізичним полігоном і людиною. Genie 4 не замінює випробування залізом, але скорочує шлях до нього на порядок.

Google поки тримає Genie закритою — це дослідницький прев'ю, а не продукт, який можна завантажити. Але напрям заданий, і повторити архітектуру на меншому масштабі під вузьку задачу — реально вже зараз. Хто першим збере таку модель під дрони, отримає тренувальний цикл, який конкурентам доведеться наздоганяти залізом.