GoogleのAI研究機関ディープマインドは、新しい世界モデル「Genie 3」を発表しました。このモデルは、汎用的なAIエージェントの訓練に利用できる基盤として、人工汎用知能（AGI）への重要なステップになるとしています。
ディープマインドの研究ディレクター、シュロミ・フルクター氏は、記者会見で「Genie 3は初のリアルタイムインタラクティブな汎用世界モデルです」と述べました。従来の狭い範囲の世界モデルを超え、特定の環境に依存せず、フォトリアリスティックな世界や想像上の世界を生成する能力を持つとしています。
現在研究段階にあり、一般公開されていない「Genie 3」は、前身の「Genie 2」とディープマインドの最新ビデオ生成モデル「Veo 3」に基づいて構築されています。これにより、物理学の深い理解が可能になるということです。
簡単なテキストプロンプトを使用して、Genie 3は720pの解像度で24フレーム毎秒のインタラクティブな3D環境を数分間生成することができます。これは、Genie 2が生成できた10〜20秒からの大幅な進歩です。また、「プロンプト可能な世界イベント」機能により、プロンプトを用いて生成された世界を変更することが可能です。
さらに重要なのは、Genie 3のシミュレーションが時間を超えて物理的に一貫性を保つという点です。このモデルは、以前に生成した内容を記憶する能力を持ち、ディープマインドの研究者が明示的にプログラムしたわけではないとしています。
フルクター氏は、Genie 3が教育体験やゲーム、創造的なコンセプトのプロトタイピングに影響を与える可能性があるとしつつ、その真の価値は汎用的なタスクの訓練にあると述べました。これがAGIに到達するために不可欠だとしています。
ディープマインドのオープンエンデッドネスチームの研究科学者であるジャック・パーカー・ホルダー氏は、AGIへの道において、特に実体化されたエージェントにおいて、現実世界のシナリオをシミュレートすることが特に困難であると述べています。
Genie 3は、そのボトルネックを解決するよう設計されているとしています。Veoと同様に、ハードコードされた物理エンジンに依存せず、生成した内容を記憶し、長期的な視点で推論することで、世界がどのように動作するかを自ら学習します。
「このモデルは自己回帰型であり、1フレームずつ生成します」とフルクター氏はTechCrunchとのインタビューで述べました。「前に生成されたものを振り返り、次に何が起こるかを決定する必要があります。これがアーキテクチャの重要な部分です。」
ディープマインドは、この記憶がGenie 3のシミュレートされた世界の一貫性に寄与し、それが物理学の理解を発展させるとしています。これは、人間がテーブルの端にあるグラスが落ちそうなことを理解したり、落下する物体を避けるために身をかがめたりするのと同様です。
注目すべきは、ディープマインドがこのモデルがAIエージェントを限界まで押し上げる可能性があると述べている点です。これにより、エージェントは自身の経験から学ぶことができ、人間が現実世界で学ぶ方法と似ています。
ディープマインドは、最近のバージョンの汎用指示可能なマルチワールドエージェント（SIMA）を用いてGenie 3をテストし、一連の目標を追求するよう指示しました。倉庫環境で、エージェントに「明るい緑のごみ圧縮機に近づく」や「詰まった赤いフォークリフトに歩いて行く」といったタスクを実行させました。
「全てのケースで、SIMAエージェントは目標を達成することができました」とパーカー・ホルダー氏は述べました。「エージェントは目標を受け取り、シミュレートされた世界を見て、それに応じた行動を取ります。Genie 3は前方をシミュレートし、それを達成できるのはGenie 3が一貫性を保っているからです。」
しかし、Genie 3には限界もあります。例えば、研究者が物理を理解できると主張しているものの、スキーヤーが山を疾走するデモでは、雪がスキーヤーにどのように反応するかを正確に反映していませんでした。
また、エージェントが取れる行動の範囲は限られています。プロンプト可能な世界イベントは広範な環境介入を可能にしますが、それらは必ずしもエージェント自体によって実行されるわけではありません。そして、共有環境で複数の独立したエージェント間の複雑な相互作用を正確にモデル化するのは依然として困難です。
Genie 3はまた、数分間の連続したインタラクションしかサポートできず、適切な訓練には数時間が必要です。
それでも、このモデルはエージェントに入力に反応するだけでなく、計画し、探検し、不確実性を求め、試行錯誤を通じて改善することを教える上での重要な一歩を示しています。これは多くの人が汎用知能に向かうために鍵であると考えています。
「実体化されたエージェントにとって、まだ実際に新しい行動を取る『Move 37』の瞬間はありませんでした」とパーカー・ホルダー氏は述べました。これは、2016年の囲碁の試合でディープマインドのAIエージェントAlphaGoと世界チャンピオンの李世ドルの対戦において、AlphaGoが人間の理解を超えた新しい戦略を発見する能力を象徴する斬新で優れた手を打った瞬間を指しています。
「しかし、今、私たちは新しい時代を切り開くことができるかもしれません」と述べました。
