Từ video được tạo sẵn sang thế giới có thể tương tác
Genie 4 là mô hình thế giới tạo môi trường ảo từ văn bản hoặc hình ảnh, rồi biến đổi môi trường đó theo thao tác và chỉ dẫn của người dùng trong khi mô phỏng đang diễn ra. Định nghĩa này phân biệt nó với AI tạo video thông thường: thay vì phát một đoạn phim đã dựng sẵn, mô hình phản hồi khi người dùng di chuyển hoặc tác động vào cảnh. Google DeepMind công bố Google Genie 4 vào ngày 27 tháng 10, giới thiệu một bước tiến từ Genie 3 với hình ảnh chân thực hơn và khả năng mô phỏng các hiện tượng vật lý như va chạm, khí động học. Đây là hướng phát triển đáng chú ý vì đưa người dùng từ vai trò khán giả sang người điều khiển một thế giới số. Tuy vậy, tuyên bố về năng lực vẫn cần được nhìn nhận trong bối cảnh sản phẩm còn ở giai đoạn nghiên cứu, chưa phải công cụ phổ cập.
Âm thanh khiến thế giới ảo có chiều sâu hơn
Điểm mới có sức nặng không chỉ là hình ảnh đẹp hơn, mà là âm thanh được tạo đồng thời với cảnh. Genie 4 có thể tạo nhạc, âm thanh môi trường như gió hay sóng, và hội thoại của nhân vật; lời thoại có thể thay đổi theo sự kiện trong thế giới hoặc nội dung người dùng nhập. Đây là khác biệt thực tế với một mô phỏng chỉ có hình: nhà làm phim hay nhà phát triển trò chơi có thể thử một cảnh giàu âm thanh ngay trong quá trình dựng ý tưởng, thay vì phải ghép tiếng riêng sau đó. Nhưng khả năng tạo tiếng nói cũng làm tăng yêu cầu về độ chính xác và đồng bộ. Nguồn giới thiệu thừa nhận âm thanh vẫn còn là thách thức, vì thế chưa nên xem bản xem trước như một giải pháp hoàn chỉnh cho cảnh quay có kịch bản. Giá trị hiện tại nằm ở khả năng thử nghiệm nhanh, không phải thay thế toàn bộ quy trình sản xuất.
Người dùng có thể vừa điều khiển chuyển động và camera bằng bàn phím, vừa nhập chỉ dẫn bằng ngôn ngữ tự nhiên để đổi thời tiết, đưa thêm nhân vật hoặc vật thể vào cảnh, hay chuyển vị trí camera. Nhân vật cũng được mô tả là chuyển động tự nhiên hơn, phản ứng với môi trường và có thể nhận chỉ dẫn trực tiếp trong lúc mô phỏng. Nhờ vậy, mô phỏng thời gian thực trở nên gần với một không gian có thể đạo diễn hơn là một đoạn hình ảnh thụ động. Dẫu vậy, thao tác bằng câu chữ không đồng nghĩa mọi yêu cầu đều được thực hiện chính xác: hệ thống còn phải giữ cho cảnh nhất quán khi có nhiều thay đổi liên tiếp.
Gemini hỗ trợ giữ mạch cảnh, nhưng giới hạn vẫn rõ
Genie 4 dựa vào các mô hình Gemini để kết nối mô phỏng với suy luận. Gemini Omni hỗ trợ hình thức và hành vi phù hợp với thế giới thực; Gemini 3.8 Flash có thể quan sát các khung hình, chia mục tiêu thành từng bước, kiểm tra tiến độ và điều chỉnh kế hoạch khi tình huống thay đổi. Cách phối hợp này giúp giải thích vì sao Genie 4 được xem xét không chỉ cho trò chơi hay tiền kỳ điện ảnh, mà còn cho giáo dục và môi trường huấn luyện robot hoặc tác nhân AI. Đây là hướng ứng dụng hấp dẫn hơn một màn trình diễn hình ảnh: hệ thống có thể tạo nơi để thử và lặp lại hành động trước khi đưa chúng vào thực tế. Tuy nhiên, khả năng suy luận của mô hình hỗ trợ không xóa được giới hạn của mô phỏng nền; cảnh vẫn có thể lệch khỏi yêu cầu.
Thời lượng nhất quán được mô tả trong các tường thuật về màn ra mắt vào khoảng hai phút, trong khi thông tin của Google chỉ nói các phiên còn ngắn. Dù lấy cách diễn đạt nào, đây vẫn là giới hạn quan trọng: khi dùng lâu, ngoại hình và vị trí vật thể có thể mất nhất quán; tương tác vật lý phức tạp, độ chính xác âm thanh và việc hiển thị chữ cũng còn là bài toán. Vì vậy, Genie 4 hợp lý hơn với việc dựng thử cảnh ngắn, khám phá ý tưởng hoặc chạy thử tác vụ, chứ chưa thể thay thế một thế giới ảo bền vững để người dùng tự do khám phá trong thời gian dài.
Quyền truy cập vẫn là nút thắt
Hiện Genie 4 mới được cung cấp dưới dạng bản xem trước nghiên cứu cho một nhóm kiểm thử viên giới hạn. Google dự kiến mở rộng qua Project Genie cho người đăng ký Google AI Ultra, đồng thời đưa mô hình đến các đối tác truy cập sớm qua Gemini API và Google AI Studio; danh sách chờ Project Genie cũng đang được tiếp nhận. Điều đó có nghĩa phần đông người dùng hiện chưa thể tự kiểm chứng các tuyên bố, và chưa có cơ sở để đánh giá trải nghiệm thực tế ngoài những bản trình diễn và thông tin được công bố. Lộ trình này nối tiếp quá trình phát triển trước đó: Genie 3 ra mắt năm 2025, Project Genie bắt đầu thử nghiệm vào tháng 1 năm 2026, rồi tích hợp với Google Street View được công bố vào tháng 5. Tầm nhìn đang rõ dần, nhưng khả năng tiếp cận vẫn bị giới hạn.
Phán đoán hợp lý lúc này là xem Genie 4 như một nền tảng thử nghiệm nhiều hứa hẹn, chứ chưa phải sản phẩm đã chứng minh được độ tin cậy trong sử dụng dài hạn. Việc kết hợp mô hình thế giới, AI tạo âm thanh và điều khiển bằng văn bản có thể thay đổi cách phác thảo cảnh phim, trò chơi hay bài tập cho robot. Nhưng để tiến xa hơn, Google cần cho thấy mô phỏng giữ được tính nhất quán, âm thanh khớp với sự kiện và người dùng ngoài nhóm thử nghiệm có thể tiếp cận. Genie 4 mở rộng đáng kể điều một thế giới ảo có thể làm; hiện tại, cánh cửa vào thế giới ấy vẫn chỉ hé mở.
