AI Genie - câu trả lời của Google cho Sora: AI tự tạo game 2D với lời nhắc chỉ bằng một hình ảnh duy nhất!

353

AI tạo sinh đang phát triển với tốc độ chóng mặt so với tưởng tượng của người dùng, khi đang dần tiến tới việc xóa nhòa ranh giới giữa thực tế và trí tưởng tượng. Vài ngày trước, hãng OpenAI vừa giới thiệu mô hình AI mới có tên Sora, giúp tạo ra các đoạn video ngắn từ văn bản. Và giờ đây là câu trả lời của đối thủ Google khi công bố tài liệu nghiên cứu về mô hình AI có tên Genie – có khả năng tạo ra các trò chơi điện tử 2D từ lời nhắc văn bản và một hình ảnh duy nhất.

Tuy nhiên, hiện tại Genie vẫn đang được phát triển trong phòng nghiên cứu và chưa được công bố trên thị trường.

Được phát triển bởi nhóm Open-Endedness thuộc công ty Google DeepMind, dự án nghiên cứu đột phá này hứa hẹn tiềm năng to lớn cho tương lai của giải trí, phát triển trò chơi và thậm chí cả lĩnh vực robot. Google cho biết Genie là "mô hình thế giới có thể điều khiển" được huấn luyện trên bộ dữ liệu khổng lồ gồm 200.000 giờ video chưa được gắn nhãn, chủ yếu là các trò chơi nền tảng 2D xuất hiện trên internet.

Khác với các mô hình AI truyền thống thường yêu cầu hướng dẫn chi tiết và dữ liệu được dán nhãn, Genie học hỏi bằng cách quan sát các hành động và tương tác trong các video này, cho phép nó tạo ra trò chơi 2D từ một mô tả đơn giản bằng văn bản hoặc hình ảnh.

Trông có vẻ giống như một phép màu nào đó, nhưng theo giải thích trong tài liệu nghiên cứu về Genie được Google DeepMind quá trình vận hành bên trong lại tương đối phức tạp:

Genie bao gồm ba thành phần cốt lõi:

Token hóa Video (Video Tokenizer): Hãy tưởng tượng Genie như một đầu bếp lành nghề đang chuẩn bị một món ăn phức tạp. Giống như cách đầu bếp phân tách nguyên liệu thành các phần nhỏ hơn để dễ dàng thao tác, công đoạn Token hóa Video xử lý khối dữ liệu video khổng lồ thành các đơn vị nhỏ gọn được gọi là "token". Các token này đóng vai trò như những khối xây dựng cơ bản giúp Genie hiểu thế giới hình ảnh.

Chỉ bằng một hình ảnh tĩnh duy nhất, AI Genie có thể tạo ra một tựa game 2D đơn giản như trên.

Mô hình Hành động tiềm tàng (Latent Action Model): Ở bước thứ hai, sau khi "chặt nhỏ" dữ liệu video thành các token, Mô hình Hành động Latent sẽ đảm nhận quá trình tiếp theo. Giống như một chuyên gia ẩm thực dày dạn kinh nghiệm, nó tỉ mỉ phân tích sự chuyển đổi giữa các khung hình liên tiếp trong video. Quá trình phân tích này cho phép nó xác định tám hành động cơ bản - "gia vị" thiết yếu của Genie. Các hành động này có thể bao gồm nhảy, chạy, tương tác với các vật thể trong môi trường trò chơi.

Tuy nhiên chất lượng hình ảnh vẫn rất thô sơ và nội dung game còn khá đơn giản.

Mô hình Động lực học (Dynamics Model): Cuối cùng là quá trình của Mô hình Động lực học – quá trình kết hợp mọi thứ lại với nhau. Tương tự như cách một đầu bếp dự đoán hương vị sẽ tương tác dựa trên các nguyên liệu được chọn, mô hình này dự đoán khung hình tiếp theo trong chuỗi video. Nó tính đến trạng thái hiện tại của thế giới trò chơi, bao gồm hành động của người chơi và tạo ra kết quả hình ảnh tiếp theo cho phù hợp. Quá trình dự đoán liên tục này cuối cùng tạo ra một trải nghiệm chơi game tương tác và hấp dẫn.

Tuy vậy hiện tại, Genie vẫn đang trong quá trình phát triển và vẫn còn nhiều giới hạn. Ví dụ chất lượng hiển thị vẫn rất kém khi tốc độ khung hình mới chỉ ở mức 1FPS, ảnh hưởng đến độ trung thực hình ảnh.

Cho dù vậy, tiềm năng của Genie cũng khiến nhiều người đặt câu hỏi về tương lai của các công việc liên quan đến việc phát triển game, đặc biệt các vị trí có vai trò thấp trong hoạt động phát triển game. Điều tương tự đang xảy đến với lĩnh vực làm phim khi mới đây, một tỷ phú tại Hollywood cũng cho biết đã sử dụng AI để chỉnh sửa gương mặt của mình trong phim, thay vì cần tới các chuyên gia trang điểm để hóa trang cho nhân vật.

Cập nhật: 01/03/2024 ĐSPL