【ITニュース解説】Google DeepMind Genie 4: real-time world model with native audio

Google DeepMindが発表したGenie 4は、人工知能が仮想の世界を生成する技術である「ワールドモデル」の最新世代だ。これは、コンピュータの中にまるで現実のような仮想空間を作り出し、その中で様々なシミュレーションを可能にする技術の進化を示している。

Genie 4の最も注目すべき点は、これがDeepMindにとって初の「リアルタイム」で動くワールドモデルであること、そして「ネイティブオーディオ」を生成できる点にある。これまでの技術では、仮想空間の映像が作られた後に音響効果が追加されるのが一般的だった。しかしGenie 4では、仮想世界が生成されると同時に、その世界に合った環境音、音楽、さらにはキャラクターのセリフといったオーディオも作り出される。つまり、映像と音が一体となって、より臨場感のある仮想体験が提供されるわけだ。

このシステムは、仮想世界をまるで映画のコマ送りのように、フレームバイフレームでリアルタイムに構築する。そして、その世界は「自然言語のプロンプト」、つまり私たちが日常使う言葉で指示を与えることで自由に操作できる。たとえば、「天気を雨に変えて」「カメラの位置を動かして」「新しいキャラクターを追加して」「オブジェクトを置いて」といった具体的な指示を言葉で伝えるだけで、Genie 4はその通りに世界を変更し、その変更が適用された仮想世界を継続して動かし続ける。

Genie 4の内部では、別のAIモデルであるGemini 3.8 Flashが「誘導エージェント」として重要な役割を担っている。これは、私たちが与えた指示、例えば「ロボットがチェッカーをプレイするシナリオ」といった複雑なタスクを、より小さなステップに分解し、生成された仮想空間の映像を常に監視する。もし生成された映像が私たちの意図と異なっていると感じたら、Gemini 3.8 Flashは計画を調整し、仮想世界が指示通りに展開されるように修正を指示する。公開されたデモでは、実際にシミュレートされたヒューマノイドロボットが、プロンプトによって生成された仮想空間の中でチェッカーをプレイする様子が示された。これは、人間が指示するまで存在しなかった世界で、仮想のロボットが自律的に行動できる可能性を示している。

技術的には、Genie 4はGenie 3という先行モデルを基盤としているが、いくつかの大きな改善が加えられている。最も顕著なのは、よりリアルな物理法則が導入されたことだ。空気抵抗（空力学）や物体同士の衝突といった現象が、より現実世界に近い形で再現されるようになった。また、仮想空間内の人間の動きも、以前よりずっと自然に見えるようになっている。さらに、Genie 4で生成されたすべてのコンテンツには「SynthID」という電子透かしが自動的に付与される。これは、そのコンテンツがAIによって生成されたものであることを明確に示すためのもので、生成された情報の透明性を確保する目的がある。

Genie 4の提供は、今後二つの方向で計画されている。一つは、Google AI Ultraの有料購読者向けに「Project Genie」という形でアクセスが提供される予定だ。もう一つは、早期アクセスパートナー企業向けに、開発者がAIモデルを自分のアプリケーションに組み込むためのインターフェースである「Gemini API」や、Google AI Studioを通じて利用できるようになる。ただし、現時点では具体的な料金や提供開始日は発表されていない。

現段階でのGenie 4には、いくつかの限界も存在する。例えば、長時間にわたるシミュレーションを行うと、視覚的な一貫性が失われ、映像が少しずつずれていく「ビジュアルドリフト」という現象が発生することがある。また、物理演算もまだ完全に正確とは言えず、近似的な表現にとどまる場合がある。仮想空間内の文字が読みづらいことや、長期間にわたる仮想世界の状態の一貫性を保つことも、今後の課題として挙げられている。

AI Businessという企業向けの分析レポートは、Genie 4がビジネスの世界、特に企業にとってどのような意味を持つかという視点を提供している。このレポートによれば、Genie 4のような生成された仮想世界は、「リハーサル空間」として非常に有用であるとされている。例えば、実際にロボットを製造してテストを行う前に、この仮想空間内でロボットの動作やエージェントの振る舞いを繰り返しテストできるのだ。これは、高価な物理プロトタイプを製作してテストする現在の手法の一部を代替し、開発コストを大幅に削減する可能性を秘めている。

しかし、この分析レポートは同時に、現在の精度がまだ企業での本格的な活用を制限しているとも指摘している。エンターテイメント目的であれば許容できるような物理演算の近似でも、精密なエンジニアリングの検証や製品開発においては、その精度では不十分な場合があるためだ。Genie 4が持つ実際の価値は、研究段階のプレビュー版から本格的な展開へと進む過程で、仮想世界の「忠実度」、つまりどれだけ現実世界に近いか、そしてセッションの「安定性」がどれだけ向上するかにかかっていると言える。

ゲーム開発チーム、さまざまなシミュレーションを作成するチーム、そしてロボットの訓練パイプラインを構築するチームにとって、Genie 4は極めて魅力的な技術である。これは、自然言語のプロンプトを使って仮想世界を生成し、それを制御可能な「データソース」として利用できることを意味する。手動で複雑なシーンを構築する手間が省け、SynthIDの透かしによって、生成されたコンテンツの出所も明確にわかる。

もしこの技術を導入する計画があるならば、Google AI Ultraの購読を通じてProject Genieを利用するか、Gemini APIやGoogle AI Studioを通じて早期アクセスパートナーとなるチャネルを中心に統合を計画する必要がある。そして、利用を検討する際には、長時間のセッションでの視覚的なずれ、近似的な物理演算、不安定なテキスト表示といった、現在公表されている限界を十分に考慮に入れるべきだ。企業がロボットの行動を仮想空間でリハーサルする用途については、精度がさらに向上するまでは、あくまで研究的な方向性として捉えるのが賢明だろう。