DeepMinds Genie 3: AGI-Meilenstein mit Echtzeit-Weltmodellen

Google DeepMind hat Genie 3 vorgestellt, sein neuestes „Grundlagen-Weltmodell“, das das KI-Labor als bedeutenden Fortschritt auf dem Weg zur Allgemeinen Künstlichen Intelligenz (AGI) oder menschenähnlichen Intelligenz betrachtet.

Shlomi Fruchter, Forschungsdirektor bei DeepMind, erklärte während einer Pressekonferenz, dass Genie 3 das „erste interaktive Echtzeit-Weltmodell für allgemeine Zwecke“ sei. Er betonte die Abkehr von früheren, spezialisierteren Modellen und hob seine Fähigkeit hervor, vielfältige Umgebungen zu generieren, die von fotorealistischen bis hin zu völlig imaginären Welten reichen.

Genie 3, das sich derzeit in der Forschungs-Preview befindet und nicht öffentlich zugänglich ist, integriert Fähigkeiten seiner Vorgänger. Es baut auf Genie 2 auf, das neuartige Umgebungen für KI-Agenten generieren konnte, sowie auf DeepMinds fortschrittlichem Videogenerierungsmodell Veo 3, das für sein tiefes Verständnis der Physik bekannt ist.

Mithilfe einer einfachen Texteingabe kann Genie 3 interaktive 3D-Umgebungen erstellen, die mehrere Minuten lang laufen – ein signifikanter Sprung von den 10 bis 20 Sekunden, die mit Genie 2 erreichbar waren. Diese Simulationen werden mit einer Auflösung von 720p und 24 Bildern pro Sekunde gerendert. Ein bemerkenswertes Merkmal sind „promptbare Weltereignisse“, die es Benutzern ermöglichen, die generierte Umgebung dynamisch über Textbefehle zu verändern.

Entscheidend ist, dass die Simulationen von Genie 3 über die Zeit hinweg physikalische Konsistenz bewahren. Dies wird der emergenten Fähigkeit des Modells zugeschrieben, sich an das zu „erinnern“, was es zuvor generiert hat – eine Fähigkeit, die DeepMind-Forscher nicht explizit programmiert haben. Dieses selbstgelernte Verständnis der Physik ist Kern seines Designs; im Gegensatz zu Systemen, die auf fest kodierten Physik-Engines basieren, lernt Genie 3, wie sich Objekte bewegen, fallen und interagieren, indem es seine eigenen generierten Sequenzen beobachtet und über längere Zeiträume hinweg Schlussfolgerungen zieht. Fruchter erklärte, dass das Modell „autoregressiv“ sei, d.h. es generiert einen Frame nach dem anderen und referenziert frühere Frames, um nachfolgende Ereignisse vorherzusagen, was ein grundlegender Aspekt seiner Architektur ist. Dieses Gedächtnis fördert die Konsistenz, die es ihm ermöglicht, ein intuitives Verständnis der physikalischen Gesetze zu entwickeln, ähnlich dem menschlichen Verständnis.

Während Genie 3 vielversprechende Anwendungen in Bildung, Gaming und kreativem Prototyping birgt, liegt seine primäre Bedeutung im Training von KI-Agenten für allgemeine Aufgaben – ein kritischer Bestandteil zur Erreichung von AGI. Jack Parker-Holder, ein Forschungswissenschaftler im Open-Endedness-Team von DeepMind, betonte, dass Weltmodelle für verkörperte Agenten unerlässlich sind, da die Simulation komplexer realer Szenarien eine beträchtliche Herausforderung darstellt.

Die Fähigkeit, kohärente und physikalisch plausible Umgebungen zu generieren, macht Genie 3 zu einem idealen Trainingsgelände. Es kann Agenten endlose, vielfältige Welten zum Erkunden bieten und sie dazu anspornen, sich anzupassen, zu kämpfen und durch Erfahrung zu lernen, was menschliche Lernprozesse widerspiegelt. Dies ermöglicht es Agenten, über einfache Eingabe-Reaktions-Verhaltensweisen hinauszugehen und Fähigkeiten wie Planung, Exploration und Lernen durch Versuch und Irrtum zu fördern – entscheidend für selbstgesteuerte, verkörperte Intelligenz.

Trotz dieser Fortschritte weist Genie 3 immer noch Einschränkungen auf. Die Bandbreite der Aktionen, die ein Agent in diesen simulierten Welten ausführen kann, bleibt begrenzt, und obwohl „promptbare Weltereignisse“ Umwelteingriffe ermöglichen, werden diese nicht unbedingt vom Agenten selbst initiiert. Die genaue Modellierung komplexer Interaktionen zwischen mehreren unabhängigen Agenten in einer gemeinsamen Umgebung stellt ebenfalls eine Herausforderung dar. Darüber hinaus unterstützt das aktuelle System nur wenige Minuten kontinuierlicher Interaktion, während für ein umfassendes Agententraining Stunden erforderlich wären.

Dennoch stellt Genie 3 einen überzeugenden Schritt nach vorn dar. Parker-Holder zog eine Parallele zum „Zug 37“-Moment aus dem Go-Match 2016, bei dem DeepMinds AlphaGo einen unkonventionellen, brillanten Zug machte, der die Fähigkeit der KI zu neuartigen Strategien symbolisierte. Er schlug vor, dass Genie 3 in ähnlicher Weise eine neue Ära für die verkörperte KI einläuten könnte, die es Agenten ermöglicht, wirklich neuartige Aktionen innerhalb simulierter Welten auszuführen.