Un film non si cura di dove Lei guardi. Ogni fotogramma era deciso prima che Lei si sedesse, e se gira la testa, lo schermo va avanti senza di Lei. Il sistema più recente di Google DeepMind funziona al contrario. Finché Lei non si muove, il momento successivo del suo mondo non esiste. Preme un tasto per avanzare, e la strada davanti a Lei viene inventata, man mano, per venirLe incontro.

Quel sistema è Genie 4, annunciato il 27 ottobre come anteprima di ricerca. Lei descrive un luogo in una frase, e quel luogo diventa uno spazio in cui aggirarsi, con il proprio meteo, la propria gente e, per la prima volta nella serie, il proprio sonoro. Voglio procedere con calma, perché è una cosa davvero strana e le promesse che la accompagnano sono grandi.

Che cos'è un modello del mondo

Gran parte dell'IA che Lei ha incontrato finora lavora con le parole: Lei chiede, l'IA risponde. Un modello del mondo lavora con le conseguenze. Nel post dedicato alla versione precedente, Genie 3, DeepMind descrive questi sistemi come capaci di usare una comprensione del mondo per simularne alcuni aspetti, così da prevedere come evolverà un ambiente e come le azioni lo modificheranno.

Un modo semplice per tenerlo a mente: Lei ne fa già funzionare uno. Quando allunga la mano verso una tazza, sa più o meno che cosa succederà se la urta, prima di urtarla. Nessuno Le ha insegnato le equazioni. Ha costruito un modello funzionante del mondo in anni passati a osservarlo, e lo consulta di continuo senza accorgersene. Genie fa qualcosa di simile, e poi qualcosa che Lei non sa fare: Le mostra la sua previsione sotto forma di immagini in movimento, e va avanti finché Lei continua ad agire.

È questo a distinguerlo dai generatori di video che forse ha già visto. Uno strumento video produce una clip e la consegna. Un modello del mondo deve restare con Lei, e rispondere a ogni mossa man mano che arriva.

Che cosa fa Genie 4

Secondo l'annuncio di DeepMind, firmato da Raia Hadsell, Diego Rivas e Hang Qi, Lei si muove con una normale tastiera e un mouse, e può digitare istruzioni mentre il mondo è in funzione: cambiare il tempo, spostare la telecamera, aggiungere una persona o un oggetto. Gemini, il modello linguistico di Google, interpreta questi prompt e li integra nella scena. Il post promette un fotorealismo più nitido e movimenti più fluidi, un po' di fisica simulata, come l'aerodinamica e le collisioni, e personaggi che reagiscono a ciò che li circonda.

Il sonoro è una novità. Genie 4 è, nelle parole di DeepMind, il suo primo modello del mondo in tempo reale a generare l'audio in modo nativo: lo scricchiolio delle foglie e il boato di una folla nascono insieme all'immagine, invece di esservi sovrapposti dopo. TechCrunch riferisce che questo comprende musica e dialoghi interattivi.

C'è anche un meccanismo più discreto. Un modello Gemini fa da quello che The Batch chiama un regista: scompone un obiettivo in passaggi, poi controlla ogni nuovo fotogramma per vedere se il passaggio è avvenuto. Tenga a mente questo dettaglio. Più avanti conterà.

Perché qualcuno dovrebbe volerlo

La prima risposta sono i robot. Insegnare a una macchina ad agire nel mondo fisico è lento, costoso e talvolta distruttivo, per questo i ricercatori da tempo fanno prima le prove in simulazione. DeepMind descrive i primi lavori con il suo team Gemini Robotics, tra cui un umanoide simulato che gioca a dama, e la pagina del modello definisce il risultato un parco giochi infinito per le simulazioni robotiche. Anche gli agenti software potrebbero esercitarsi lì.

La seconda risposta è creativa. Tra gli usi, DeepMind elenca la previsualizzazione per i cineasti (l'abbozzo di una scena prima che qualcuno costruisca un set), la prototipazione di videogiochi e il concept design. Rivas ha detto a TechCrunch che la resa in tempo reale aiuta soprattutto nell'ideazione rapida e nello storyboard, dove conta restare nel flusso creativo.

La terza risposta è quella grande. La pagina del modello di DeepMind definisce la simulazione del mondo una tappa fondamentale sulla strada verso l'AGI, l'intelligenza ampia e simile a quella umana che il settore insegue da tempo. Il ragionamento: una mente capace di immaginare che cosa succederà, prima di agire, possiede qualcosa che manca a una mente che maneggia soltanto parole. È un argomento serio. Per ora, resta un argomento e non un risultato.

Che cosa non sa ancora fare

Qui l'elenco onesto è lungo e, va riconosciuto, buona parte lo ha stilato DeepMind. La sua pagina dice che i dettagli visivi e la permanenza degli oggetti possono cambiare o slittare nel tempo, soprattutto nelle sessioni più lunghe o dopo diverse modifiche. Un testo leggibile tende a comparire solo se lo si è chiesto. I luoghi reali non si possono riprodurre fedelmente, la precisione dell'audio è ancora in lavorazione, e le interazioni tra più agenti indipendenti restano un problema di ricerca aperto.

Quanto a lungo un mondo resti coerente è meno chiaro. La pagina di DeepMind parla di qualche minuto di interazione continua; TechCrunch riferisce di scene che restano coerenti fino a due minuti. In un caso o nell'altro, sono visite brevi.

Non c'è un rapporto tecnico, e Google non ha pubblicato valutazioni quantitative, solo dimostrazioni scelte da Google. The Batch ne ha esaminata da vicino una, in cui un busto di marmo lasciato cadere su un'anguria si posa ordinatamente sul suo piedistallo, quando avrebbe dovuto ribaltarsi e cadere. I suoi redattori si sono chiesti se il regista Gemini, controllando che ogni passaggio riuscisse, avesse spinto il mondo verso l'esito previsto. Per un simulatore di robot, è la domanda che conta di più. Una macchina impara dai piani che falliscono, e un mondo che aiuta in silenzio ogni piano a riuscire non le insegna niente su come si cade.

Infine, quasi nessuno può provarlo. Genie 4 è aperto soltanto ai tester di fiducia. Google dice che presto l'accesso arriverà agli abbonati a Google AI Ultra tramite Project Genie e ai primi partner della Gemini API e di Google AI Studio, ed esiste una lista d'attesa. Tutto ciò che genera porterà SynthID, la filigrana invisibile di Google.

Mi accorgo di essere meno interessata a sapere se Genie 4 possa costruire un mondo convincente che a sapere se possa costruirne uno capace di dire no. Ogni mondo da cui valga la pena imparare deve essere disposto a lasciarLe cadere la tazza.

Fonti

Genie 4: A new generation of world simulation, Google DeepMind

Genie, Google DeepMind

Genie 3: A new frontier for world models, Google DeepMind

Google's Genie 4 world model adds audio, more realistic worlds, and real-time steering, TechCrunch

World Models Become Robot Playgrounds, The Batch (DeepLearning.AI)