מעבדת DeepMind של גוגל חשפה השבוע את ג'יני 4 (Genie 4), מערכת בינה מלאכותית חדשה המייצרת סביבות תלת-ממדיות פוטו-ריאליסטיות בזמן אמת, כולל דיאלוגים קוליים והדמיה מדויקת של חוקי הטבע. או במילים פשוטות, סימולציה כמעט מלאה של מציאות.
מדובר בהעלאת הילוך במרוץ לפיתוח מערכות בינה מלאכותית המסוגלות להבין את העולם הפיזי ולא רק לנתח טקסטים ובדור הרביעי של "מודל העולם" מבית היוצר של גוגל.
אז על מה מדובר?
בניגוד למחוללי וידאו מסורתיים המייצרים סרטונים פסיביים, המערכת החדשה בונה סביבות וירטואליות חיות ואינטראקטיביות. המשתמשים יכולים לנוע בתוך המרחב באמצעות המקלדת, לשנות את תנאי השטח בזמן אמת באמצעות פקודות טקסטואליות, ולקיים אינטראקציה רציפה עם דמויות ממוחשבות המגיבות באופן אורגני לסביבתן.
במילים פשוטות, אתם יכולים להגיד לסימולציה מה אתם רוצים תוך כדי שהיא עובדת, בזמן אמת, והיא תייצר לכם את השינויים ואת הסביבה במקביל לפי רצונכם. כל זה כמובן בכפוף לזמינות כוח חישוב.
המודל אינו מסתפק ביצירת תמונה, אלא מרכיב סביבת שמע תואמת הכוללת רעשי רקע כמו רוח בעצים או התנפצות גלים, לצד מוזיקה ודיאלוגים מדוברים המשתנים תוך כדי תנועה. המערכת מציגה קפיצת מדרגה גם בהבנת חוקי הפיזיקה, עם יכולת לדמות אווירודינמיקה והתנגשויות עצמים, תוך שמירה על עקביות מרחבית למשך כשתי דקות רצופות - הכפלה של יכולת הדור הקודם.
למרות ששתי דקות סימולציה נשמע קצר, זה מספיק כדי לדמות מצבים ספציפיים, כמו למשל תסריטי הליכה במרחב שיאפשרו לאמן רובוטים אוטונומיים בהליכה בציבור. זה גם מספיק כדי להכשיר טכנאי לזהות תקלה מסוימת למשל; או לחוות כל מצב שאורכו עד 2 דקות. מן הסתם הזמנים והיכולות יגדלו עוד גם אם זה יקח עוד קצת זמן, אבל אפשר בהחלט לומר בינתיים שמדובר בפריצת דרך די משמעותית.
מאחורי הקלעים, המערכת נשענת על ארכיטקטורה היברידית המשלבת את מודלי השפה של גוגל, בהם Gemini Omni, Gemini 3.8 Flash ו-Gemini 4 Argon. במבנה זה, מודל השפה מתפקד כ"במאי" המפרק משימות מורכבות לשלבים לוגיים ובודק את הפריימים הנוצרים, בעוד שמודל העולם מתרגם את ההנחיות לפיקסלים.
בניסוי שהציגה החברה, שילוב זה שימש לאימון רובוט דמוי-אדם של חברת Apptronik במשחק דמקה בתוך חדר וירטואלי, במטרה לבחון תרחישים פיזיים בסביבה מבוקרת בטרם ביצועם בעולם האמיתי.
לא מעט תחרות, גם ישראלית
השקת המודל מתרחשת בעיצומה של מערכה אגרסיבית בשוק העולמי, כאשר במוקד ניצבת זווית ישראלית בולטת. חברת "דקארט" (Decart) שהוקמה ב-2023 על ידי החוקרים הישראלים דין לייטרסדורף, אוריאן לייטרסדורף ומשה שלו.
החברה מנהלת מגעים מתקדמים למכירתה לענקית הענן אמזון תמורת כ-7 מיליארד דולר כך על פי פרסומים מלפני שבועות אחדים, היא גם הייתה על הכוונת של אנת'רופיק עבור 6 מיליארד דולר, אך העסקה בוטלה לפני כחודש על ידי הרוכשת הפוטנציאלית, כנראה כדי להתמקד בהנפקה שהיא מתכננת בקרוב.
המוצר של דקארט, הכולל את מודל העולם Oasis ומודל עריכת הווידאו החי Lucy, מתחרה ישירות בג'יני 4, אך תוקף את הבעיה מזווית של יעילות חישובית. בעוד שגוגל מתמקדת באיכות פוטו-ריאליסטית כבדה ובשילוב מודלי שפה עצומים הדורשים כוח עיבוד אדיר, הטכנולוגיה של דקארט מצטיינת ביצירת סביבות אינטראקטיביות בזמן אמת בשיהוי (Latency) אפסי, תוך שימוש בתוכנה ייחודית המאפשרת גמישות ומעבר חלק בין שבבי בינה מלאכותית של יצרניות שונות.
עבור אמזון, רכישת דקארט היא תשובה אסטרטגית ישירה להגמוניה של גוגל ואנבידיה, שתאפשר לה להציע ללקוחות הענן שלה סימולציות מהירות לאימון מערכות אוטונומיות ורובוטיקה על גבי שבבי הבית שלה, מבלי להיות תלויה בחומרה חיצונית.
מייסדי דקארט, מימין לשמאל: אוריאן לייטרסדורף, דין לייטרסדורף ומשה שלו
(צילום: עמית אלקיים)
במקביל לדו-קרב הזה, השוק כולו רוחש: חברת Runway האמריקאית השיקה לאחרונה את מודל GWM Worlds 2 התומך באודיו, יצרנית השבבים AMD רכשה את חברת World Labs של החוקרת פיי-פיי לי תמורת 8.2 מיליארד דולר, ויצרנית הרכב ריביאן רכשה את Third Dimension לצורכי נהיגה אוטונומית.
גם בסין ובאירופה מאיצים תאגידי טכנולוגיה פיתוח מנועים מרחביים, מתוך הבנה שמודלי עולם הם אבן דרך חשובה לפיתוח בינה מלאכותית כללית (AGI).
למרות ההתקדמות, ב-DeepMind מודים כי ג'יני 4 נמצא עדיין בשלב מחקרי. בסימולציות ממושכות או לאחר עריכות מרובות, המודל עדיין חווה "זליגה" ויזואלית, קושי בהצגת טקסט קריא ואיבוד של קביעות אובייקטים במרחב. כל תוצרי הווידאו והשמע של המערכת יסומנו בחותמת המים הדיגיטלית SynthID למניעת זיופים, ובשבועות הקרובים תיפתח הגישה למנויי Google AI Ultra ולמפתחים נבחרים.
