Google เปิดตัว Genie 4 โมเดลจำลองโลก สร้างเสียงและปรับแต่งแบบเรียลไทม์

Google DeepMind ได้เปิดตัว Genie 4 โมเดลจำลองโลก (world model) ตัวล่าสุดในรูปแบบ research preview เมื่อวันอังคารที่ 27 ตุลาคม 2026 โดยโมเดลตัวนี้มีความสามารถในการสร้างโลกเสมือนที่มีความสมจริงและมีปฏิสัมพันธ์ได้สูงที่สุดเท่าที่เคยพัฒนามา ผู้ใช้งานสามารถพิมพ์ข้อความสั่งการระหว่างที่ระบบกำลังจำลองภาพเพื่อเปลี่ยนแปลงฉากได้ทันที นอกจากนี้ ระบบยังสามารถสร้างเสียงประกอบที่สอดคล้องกับโลกเสมือนนั้นได้แบบเรียลไทม์ ไม่ว่าจะเป็นเสียงดนตรี เสียงบรรยากาศรอบตัว หรือแม้กระทั่งบทสนทนาที่มีการโต้ตอบ

การเปิดตัวครั้งนี้เกิดขึ้นหลังจากการปล่อยโมเดล GWM Worlds 2 ของบริษัทสตาร์ทอัพด้านวิดีโอ AI อย่าง Runway ไปได้เพียงไม่กี่เดือน ในขณะที่ภาพรวมของอุตสาหกรรมโมเดลจำลองโลกกำลังอยู่ในช่วงของการควบรวมกิจการ เช่น World Labs ของ Fei-Fei Li ที่กำลังถูกซื้อกิจการโดย AMD, Amazon ที่อยู่ระหว่างเจรจาซื้อกิจการ Decart และ Rivian ที่เพิ่งซื้อกิจการ Third Dimension เพื่อนำความสามารถด้านการจำลองภาพมาใช้ในการทดสอบระบบขับเคลื่อนอัตโนมัติภายในองค์กร

เมื่อเปรียบเทียบกับ Genie 3 ซึ่งเป็นรุ่นก่อนหน้าที่เปิดตัวไปเมื่อปีก่อนหน้านี้ Genie 4 ไม่เพียงแต่มีความสมจริงด้านภาพและระบบเสียงที่ดีขึ้นเท่านั้น แต่ยังเปิดให้ผู้ใช้งานสามารถแก้ไขฉากได้อย่างอิสระ เช่น การเปลี่ยนสภาพอากาศ มุมกล้อง หรือเพิ่มบุคคลและวัตถุใหม่เข้าไปในฉากได้แบบเรียลไทม์ โมเดลนี้ยังสามารถรักษาความต่อเนื่องของฉากได้นานสูงสุดถึง 2 นาที ซึ่งเป็นตัวเลขที่เพิ่มขึ้นจากรุ่นก่อนหน้าถึงเท่าตัว พร้อมทั้งปรับปรุงระบบฟิสิกส์ให้สมจริงและทำให้ตัวละครมีความเป็นมนุษย์มากยิ่งขึ้น

ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง

ในด้านการทำงานร่วมกับระบบอื่น โมเดล Gemini ของ Google ได้เข้ามาผสานการทำงานกับ Genie 4 อย่างใกล้ชิด โดยทำหน้าที่เสมือนผู้กำกับที่คอยวางแผนขั้นตอนและตรวจสอบเฟรมภาพในขณะที่ Genie ทำหน้าที่สร้างภาพกราฟิก ในการทดลองวิจัยที่เกี่ยวข้องกับ Gemini Robotics โมเดล Gemini 4 Argon สามารถย่อยงานออกเป็นขั้นตอนย่อย ๆ เพื่อให้ Genie 4 นำไปจำลองภาพแบบเรียลไทม์ ซึ่งแสดงให้เห็นถึงแนวทางที่เป็นไปได้ในการทดสอบสถานการณ์สำหรับหุ่นยนต์ในสภาพแวดล้อมจำลองก่อนที่จะนำไปใช้งานจริงในโลกภายนอก

"สิ่งที่พวกเราจะได้เห็นมากขึ้นในอนาคตคือโมเดลจำลองโลกแบบไฮบริด ซึ่งมีการผสมผสานระหว่างการที่ Gemini เขียนโค้ดและข้อความ กับการที่ Genie รับข้อมูลเหล่านั้นไปประมวลผลแบบเรียลไทม์เพื่อจำลองความเป็นจริงในระดับนามธรรมที่แตกต่างกัน"

Tejas Kulkarni ผู้อำนวยการฝ่ายวิจัยของ Google

กรณีการใช้งานเชิงพาณิชย์ที่มีการนำเสนอ ได้แก่ อุตสาหกรรมเกม การเรียนรู้เชิงโต้ตอบ และวิทยาการหุ่นยนต์ โดยหนึ่งในตัวอย่างของการเรียนรู้เชิงโต้ตอบคือการเข้าไปอยู่ในภาพวาดเหตุการณ์ทางประวัติศาสตร์และสนทนากับบุคคลในภาพเกี่ยวกับเหตุการณ์นั้น ๆ นอกจากนี้กลุ่มผู้ทดสอบที่ได้รับสิทธิ์เข้าถึงผลิตภัณฑ์ล่วงหน้า (trusted testers) ยังชี้ให้เห็นถึงความเป็นไปได้ใหม่อย่างการสร้างต้นแบบภาพยนตร์ (film prototyping) อีกด้วย