מודל הבינה המלאכותית החדש מייצר סביבות פוטו-ריאליסטיות עם צלילים, דמויות וחוקי פיזיקה, ומאפשר לשנות אותן תוך כדי תנועה – אבל עדיין מוגבל לדקות ספורות
אבטיח מונח על עמוד אבן בחצר שטופת שמש. המשתמש מקליד הוראה להפיל עליו פסל שיש כבד, והבינה המלאכותית צריכה להבין מה יקרה ברגע ההתנגשות, כיצד האבטיח יתפרק ואיך הסביבה תגיב. אין כאן סרטון שהוכן מראש, וגם לא מנוע משחקים מסורתי שתוכנת להתמודד עם התרחיש. המערכת מייצרת את ההתרחשות בזמן אמת, פריים אחר פריים, בהתאם להוראות המשתמש.
זו אחת ההדגמות של Genie 4, מודל העולם (World Model) החדש שהציגה Google DeepMind ב-27 באוקטובר. בניגוד למחוללי וידאו כמו Veo, שמייצרים רצף תמונות לצפייה, Genie 4 מיועד ליצור סביבה שאפשר להיכנס אליה, לנוע בתוכה ולשנות את המתרחש בה. גוגל טוענת שהדור החדש משפר את הריאליזם החזותי ואת התנהגות האובייקטים, ומוסיף לראשונה בסדרת המודלים האינטראקטיביים שלה גם יצירת סאונד ודיאלוגים בזמן אמת.
לא רק לראות את העולם, אלא להתערב במתרחש
ההבדל המרכזי בין Genie 4 לסרטון שנוצר בבינה מלאכותית הוא שהסביבה אינה מוגדרת מראש עד לפריים האחרון. המשתמש יכול לנוע באמצעות המקלדת והעכבר, לשנות את זווית המצלמה, להוסיף עצמים ודמויות או לבקש שינוי במזג האוויר. המודל צריך לקחת את העולם שכבר נוצר ולהמשיך ממנו, תוך ניסיון לשמור על רציפות בין האירועים.
לדוגמה, נגן סקסופון בסביבה שנוצרה באמצעות Genie 4. גם הצלילים מופקים על ידי המודל בזמן אמת:
היכולת לשנות סביבה באמצעות הוראות טקסט אינה חדשה לחלוטין. כבר Genie 3, שהוכרז באוגוסט 2025, הדגים יצירת עולמות אינטראקטיביים ברזולוציית 720p ובקצב של 24 פריימים לשנייה, לצד יכולת להשפיע על אירועים באמצעות טקסט. החידוש בדור הרביעי נמצא בעיקר בשיפור הריאליזם, בשילוב הסאונד ובאופן שבו מודלי Gemini עוזרים לנהל את ההתרחשות.
וזה מורגש במיוחד בדמויות. לפי גוגל, Genie 4 מסוגל לדמות תנועות אנושיות טבעיות יותר, תגובות לסביבה ואינטראקציות שמשתנות בהתאם למעשיו של המשתמש. המודל מייצר גם רעשי רקע כמו רוחות, גלים וצעדים, לצד מוזיקה ושיחות בין דמויות. אם דמות מגיבה למשהו שהתרחש בסצנה, המערכת אמורה לייצר גם את התגובה הקולית שלה בהתאם להקשר.
כאן נכנס לתמונה גם Gemini Omni, שמסייע לעגן את המראה וההתנהגות של הסביבה במציאות. גוגל מציגה הדמיות של התנגשויות, תנועה אווירודינמית והתנהגות חומרים, אבל כדאי להבחין בין סימולציה שנראית משכנעת לבין חישוב פיזיקלי מדויק. אלה עדיין לא בהכרח אותו הדבר.
המודל שמפקח על הבינה המלאכותית
מאחורי Genie 4 פועלת מערכת שמשלבת כמה מודלים בעלי תפקידים שונים. Genie אחראי ליצירת התמונה והצליל, בעוד Gemini 3.8 Flash מתפקד כסוכן שמלווה את הסימולציה. הוא מנתח את הפריימים שנוצרים, מפרק משימות מורכבות לצעדים, בודק אם הפעולות בוצעו ומתאים את התוכנית כאשר המשתמש משנה את התנאים.
בהדגמה מעניינת במיוחד שילבה גוגל את Genie 4 עם מודל החשיבה Gemini 4 Argon כדי לדמות את הרובוט האנושי Apollo של חברת Apptronik משחק בדמקה. Argon פירק את המשימה לרצף פעולות, ו-Genie 4 יצר את ההתרחשות החזותית בהתאם להוראות שהתקבלו תוך כדי הסימולציה.
חשוב לדייק: גוגל לא הראתה כאן רובוט פיזי שלמד לשחק בזכות Genie 4, אלא רובוט מדומה הפועל בתוך עולם שנוצר בבינה מלאכותית. המרחק בין הדגמה כזו לבין אימון מוצלח של רובוט אמיתי עדיין דורש הוכחה.
ובכל זאת, זה כנראה הכיוון המעניין ביותר של הטכנולוגיה. במקום להסתפק בסביבות אימון שנבנו ותוכנתו מראש, אפשר יהיה לייצר אינספור תרחישים משתנים: מחסן שבו מכשול מופיע במקום לא צפוי, חדר עבודה שבו עצם נופל מהשולחן, או מעבר בין אנשים ברחוב. רובוט יוכל לכאורה להתאמן על מצבים שלא הוכנו עבורו באופן ידני.
גם תעשיות הסרטים והגיימינג עשויות להרוויח. במאים יוכלו לבדוק תנועות מצלמה, תאורה והתנהגות דמויות לפני יום הצילום, ומפתחי משחקים יוכלו לבנות אבטיפוס של עולם אינטראקטיבי מתוך תיאור מילולי. לא מדובר עדיין בתחליף ל-Unreal Engine או Unity, אבל ככלי לבדיקת רעיונות לפני השקעה בפיתוח, יש כאן פוטנציאל מעשי.
המרוץ כבר כולל חברה ישראלית, והמגבלות עדיין מורגשות
גוגל אינה פועלת לבד בתחום הזה. בספטמבר הציגה Runway את GWM Worlds 2, מודל מחקרי שמייצר וידאו אינטראקטיבי ברזולוציית 720p ובקצב של 24 פריימים לשנייה, לצד אודיו, עם אפשרות לשלוט בדמויות ובסביבה. המשמעות היא שיצירת סאונד בזמן אמת אינה יכולת בלעדית של Genie 4, גם אם עבור גוגל מדובר בתוספת חדשה לסדרה.
ויש גם זווית ישראלית. חברת Decart, שהוקמה בידי דין ואוריאן לייטרסדורף ומשה שלו, פיתחה את Oasis ליצירת סביבות אינטראקטיביות ואת Lucy לעריכת וידאו חי באמצעות בינה מלאכותית. החברה מושכת עניין לא רק בזכות המודלים שלה, אלא גם בזכות טכנולוגיה שמייעלת את השימוש בשבבי AI שונים. לפי דיווחים מאוקטובר, אמזון מנהלת מגעים לרכישת Decart בשווי שעשוי להגיע לכ-7 מיליארד דולר, אך העסקה עדיין לא אושרה.
העניין של חברות הענן בתחום אינו מקרי. להערכתנו, הערך הכלכלי של מודלי עולם עשוי להיות גדול יותר דווקא באימון מערכות אוטונומיות ובסימולציות מקצועיות מאשר ביצירת משחקים על פי בקשה. יצירת סביבות אימון מגוונות בלי לבנות כל אחת מהן ידנית עשויה לחסוך זמן וכסף. אלא שכדי להגיע לשם, המודלים יצטרכו להוכיח לא רק שהם יודעים לצייר עולם שנראה אמיתי, אלא גם שהם שומרים על חוקיות עקבית שאפשר לסמוך עליה.
וזו בדיוק הבעיה ש-Genie 4 עדיין לא פתר. נכון לעכשיו, Genie 4 מסוגל לשמור על סביבה אינטראקטיבית רק במשך דקות ספורות, לא לאורך סשן של משחק. בחלק מהדיווחים הוזכר משך של כשתי דקות, אבל גוגל עצמה מתארת תמיכה של כמה דקות ואינה מתחייבת למספר מדויק.
ככל שהסימולציה מתארכת או עוברת שינויים רבים, פרטים עלולים להשתנות או להיעלם, עצמים לא תמיד שומרים על מיקומם, ותנועות פיזיקליות מורכבות עדיין עלולות להיראות שגויות. גם יצירת טקסט קריא, דיוק מרחבי והתאמת הצלילים להתרחשות דורשים עבודה נוספת.
בשלב זה Genie 4 זמין רק לקבוצת נסיינים מצומצמת. גוגל מתכננת להרחיב את הגישה למנויי Google AI Ultra דרך Project Genie, ובהמשך גם לשותפי פיתוח באמצעות Gemini API ו-Google AI Studio. עדיין אין תאריך השקה מדויק, מחיר נפרד למודל או אישור לזמינות בישראל. כל תוצרי הווידאו והאודיו יכללו גם סימון דיגיטלי בלתי נראה באמצעות SynthID, המיועד לסייע בזיהוי תוכן שנוצר בבינה מלאכותית.
בסופו של דבר, ההישג המעניין של Genie 4 אינו רק היכולת לייצר תמונה פוטו-ריאליסטית. מחוללי וידאו כבר יודעים לעשות את זה היטב. השאלה החשובה היא האם גוגל תצליח להפוך רצף תמונות שנוצר תוך כדי תנועה לעולם שמסוגל לזכור, להגיב ולהתנהג באופן עקבי. כשהמערכת תוכל לעשות את זה במשך שעות במקום דקות, יהיה אפשר להתחיל לדבר על הרבה יותר מסרטונים שאפשר להסתובב בתוכם.
