Czy Genie 4 utrzyma ruch na zatłoczonej stacji, gdy obrócisz kamerę?

Przy wejściu na stację wieczorem pasażerowie płyną w stronę bramek biletowych, a kilka osób zatrzymuje się, by przeczytać mapę, podczas gdy inny strumień przechodzi z boku. Przekonujący obraz takiej sceny łatwo pomylić z przekonującym zachowaniem tłumu. Ruch tłumu w Genie 4 w zatłoczonych przestrzeniach publicznych to bardziej wymagający test: czy scena będzie nadal reagować, gdy będziesz przez nią przechodzić i zmieniać to, co się dzieje?

Genie 4 to interaktywny model świata, a nie zwykły generator tekst-na-wideo. Google DeepMind pokazał zatłoczoną japońską stację z lat 80. XX wieku, a opis obejmuje nawigację za pomocą klawiatury, sterowanie kamerą oraz zmiany sceny w czasie rzeczywistym za pomocą języka naturalnego. W ogłoszeniu stwierdzono również, że Genie 4 pozostaje wczesnym podglądem badawczym, a trwałość obiektów, dokładność przestrzenna, złożone interakcje i długoterminowa spójność są nadal w fazie rozwoju. To czyni go obiecującym narzędziem do eksploracji koncepcji, ale nie dowodem na zwalidowany symulator tłumu. ( Google DeepMind, październik 2026 )

Najważniejsze wnioski

• Genie 4 pozwala uprawnionemu testerowi eksplorować i sterować rozwijającą się sceną; standardowy generator wideo zwraca statyczny klip.
• Określ ścieżki, przecinające się strumienie, zachowanie podczas zatrzymywania, ruch kamery i punkty orientacyjne sceny, zamiast polegać na „zatłoczone” lub „realistyczne”.
• Oceń ruch w czasie, w tym przecięcia, powtarzające się osoby i to, czy stacja pozostaje na miejscu po edycji.
• Na dzień 2 listopada 2026 r. Genie 4 to podgląd badawczy z ograniczonym dostępem. Statyczne wideo to inny rodzaj opcji zastępczej.

Co Genie 4 zmienia w ruchu tłumu

Generator wideo zwykle zamienia dane wejściowe w klip, który oglądasz ze ścieżki kamery wybranej przez model. Genie 4 jest przedstawiany jako model świata: możesz poruszać widokiem w wygenerowanym środowisku i sterować rozwijającą się sceną za pomocą tekstu. DeepMind mówi, że jego demonstracje wykorzystują standardowe sterowanie klawiaturą do nawigacji i sterowania kamerą, a także prompty w języku naturalnym do zmian, takich jak zmiana pogody czy wprowadzenie obiektu. Twierdzi również, że Gemini pomaga interpretować te zmiany w kontekście i utrzymywać postęp świata.

To rozróżnienie ma znaczenie, gdy projektant chce obejrzeć stację poza jednym skomponowanym ujęciem. Możesz zacząć od szerokiego widoku wejścia na halę, przejść w stronę bramek biletowych, a następnie poprosić, aby mała grupa zatrzymała się przy mapie na ścianie. W zasadzie taka sekwencja pozwala sprawdzić, czy środowisko nadal działa wokół nowego zdarzenia. To bardziej użyteczne pytanie niż to, czy jedna klatka wygląda na zatłoczoną.

Oficjalny przykład zatłoczonej stacji to prompt dotyczący wiejskiej japońskiej stacji kolejowej z lat 80. XX wieku. Opisuje pasażerów czekających, idących, wsiadających i niosących bagaż, rewidenta kolejowego blisko kamery, długi czerwony pociąg na najbliższym torze oraz górskie otoczenie. To dowód na scenę, którą DeepMind zdecydował się zademonstrować. Nie jest to niezależny test realizmu tłumu, a opublikowany prompt nie dowodzi, że każde żądane działanie zachowało się poprawnie podczas dłuższej eksploracji.

Wybierz Genie 4, gdy pytanie dotyczy tego, co dzieje się, gdy się poruszasz lub ingerujesz. Wybierz statyczne wideo, gdy rezultatem ma być klip do przeglądu lub udostępnienia. Żaden z tych formatów sam w sobie nie dowodzi, że ścieżki pieszych, odstępy lub czasy są zgodne z rzeczywistym obiektem.

Jak tworzyć prompty dla Genie 4 dotyczące zatłoczonej przestrzeni publicznej

„Zrób zatłoczoną stację” daje modelowi temat, a nie plan ruchu. Użyteczny prompt dotyczący tłumu opisuje obserwowalne zachowanie i relacje przestrzenne. Zacznij od siedmiu elementów: miejsce, czas, układ, przepływ, działania indywidualne, trasa kamery i dźwięk. Aby ocena była użyteczna, nazwij również to, co powinno pozostać stałe, na przykład położenie wejścia, bramek i oznaczeń.

Oficjalny prompt stacji podaje scenerię i widoczną aktywność. W kontrolowanym eksperymencie zmieniaj jedną zmienną na raz. Jeśli pierwsze uruchomienie ma niejasne kierunki chodzenia, popraw instrukcję przepływu, zachowując stałą lokalizację i plan kamery. Jeśli zmienisz jednocześnie scenerię, gęstość, kamerę i zachowanie, nie będziesz w stanie stwierdzić, która instrukcja zmieniła wynik.

Poniżej znajduje się eksperyment początkowy dla uprawnionego użytkownika podglądu Genie 4. To nie jest prompt Atlas Cloud, a dostępność jakiejkolwiek kontroli zależy od środowiska podglądu udostępnionego temu kontu.

plaintextCopy
1Create an explorable, realistic public train-station concourse during the evening commute. Show a steady, dense pedestrian flow moving in both directions through clearly visible lanes. Some people walk briskly toward the platform entrances, a few pause beside a wall map without blocking the main flow, and small groups walk together at a natural pace. Pedestrians adjust their paths and leave personal space when crossing; avoid synchronized marching or repeated identical people. Keep the station layout stable, with the main entrance, ticket gates, and platform signs in consistent positions. Begin from a wide eye-level view, then let me move toward the ticket gates while the crowd continues to flow naturally. Use realistic indoor station ambience and indistinct background conversation. Do not show emergencies, panic, collisions, or readable brand logos.

Traktuj prompt jako specyfikację eksperymentu, a nie gwarancję. „Zachowaj przestrzeń osobistą” wyraża pożądane zachowanie, ale nie definiuje mierzonego progu odstępu. „Utrzymuj stały układ stacji” to prośba, a nie dowód, że geometria pozostaje stabilna. Jeśli interfejs podglądu obsługuje sterowanie tekstem na żywo, przetestuj jedno wąskie zdarzenie, na przykład poproś kilka osób, aby zatrzymały się przy mapie, a następnie obserwuj ścieżki wokół nich. Nie zakładaj konkretnej kontroli, czasu trwania ani ustawienia, chyba że jest ono udokumentowane w interfejsie Twojego konta.

Aby sprawdzić uczciwie, prowadź mały dziennik uruchomień: wersję promptu, początkowy punkt widzenia, zmienioną instrukcję i to, co zaobserwowano później. Nie potrzebujesz skomplikowanego systemu oceniania. Celem jest oddzielenie widocznego wyniku od wrażenia i umożliwienie porównania powtórzonych prób.

Studium przypadku: Upuszczony program na przejściu na stacji

Umieść test w fikcyjnej hali stacyjnej w niebieskiej godzinie. Bursztynowe światło pada przez łukowy szklany dach na turkusowo-terakotowe mozaiki. Jeden strumień pasażerów kieruje się do bramek biletowych, a inny przechodzi w stronę wyjścia. Dorosła kobieta w szmaragdowym dopasowanym płaszczu, koralowej plisowanej sukience, szafranowej jedwabnej chustce i bordowych botkach zauważa, że z jej torby wypada złożony, niezadrukowany program. Odwraca się, by go złapać, uśmiecha się z ulgą, gdy inny pasażer pomaga, dziękuje gestem i wraca do swojej towarzyszki. Ta mała przerwa daje tłumowi powód do dostosowania ścieżek bez sytuacji awaryjnej czy nieprawdopodobnego układu tanecznego.

Dostarczone kadry i 28-sekundowy klip to statyczne wygenerowane media, a nie materiał z Genie 4. Pytanie brzmi, czy ta sama mozaika na przejściu, ściana z mapą, świetlik i linia bramek pozostają na miejscu, gdy kamera zmienia kierunek. Obserwuj, czy pobliskie osoby naturalnie odchodzą na bok i wracają na swoje trasy. Obrót kobiety, wyciągnięcie ręki, zmieniający się wyraz twarzy i gest sprawiają, że indywidualny ruch jest widoczny w większym strumieniu.

W studium przypadku wykorzystano trzy nieruchome obrazy i jedno ciągłe 28-sekundowe wideo. Aby je odtworzyć, wykonaj szeroki widok za pomocą Seedream 5.0 Pro Text-to-Image. Wykonaj widoki z boku i powrotny za pomocą Seedream 5.0 Pro Edit, używając pierwszego obrazu do zachowania tożsamości, garderoby, oświetlenia i architektury. Przekaż wszystkie trzy zatwierdzone obrazy do Wan 3.0 Reference-to-Video, aby uzyskać długi klip. Te statyczne wyniki pomagają zbadać pomysł; tylko prawdziwa sesja Genie 4 może przetestować nawigację na żywo lub sterowanie tekstem.

Prompt do obrazu 1, szeroki widok wejścia: Fotorealistyczny, kinowy kadr 16:9 zatłoczonej, fikcyjnej nowoczesnej stacji w niebieskiej godzinie. Łukowy szklany dach oblewa bursztynowym światłem turkusowo-terakotową mozaikę z gwiazdą. Ściana z mapą w mosiężnej oprawie stoi po lewej stronie stabilnego rzędu bramek biletowych. Dwa gęste, ale czytelne strumienie pieszych przecinają się przy mozaice, idąc w przeciwnych kierunkach. W średniej odległości dorosła kobieta z kasztanowymi włosami spiętymi w niski spleciony kok nosi szmaragdowy dopasowany płaszcz na koralowej plisowanej sukience, szafranową jedwabną chustkę, bordowe botki do kostki i małą skórzaną torbę. Odwraca głowę z czujnym, zaskoczonym wyrazem twarzy, gdy złożony, pusty program zaczyna wypadać z torby. Szeroki widok na wysokości oczu od wejścia, obiektyw 35 mm, bogate, ale wiarygodne kolory, naturalne twarze i dłonie, wyraźna odzież innych pasażerów. Bez czytelnych oznaczeń, logotypów, kolizji, zduplikowanych osób ani pustego peronu.

Szeroki kadr ustanawia mozaikę z gwiazdą, ścianę z mapą, bramki i przeciwne strumienie pieszych.

Prompt do obrazu 2, widok boczny przejścia: Edytuj obraz 1, aby uzyskać boczny kąt 16:9 około 90 stopni od widoku wejścia. Zachowaj dokładną twarz kobiety, niski warkocz, szmaragdowy płaszcz, koralową sukienkę, szafranową chustkę, bordowe botki i torbę. Utrzymaj ten sam łukowy dach, ścianę z mapą, linię bramek, mozaikę z gwiazdą i bursztynowe światło niebieskiej godziny w przestrzennie wiarygodnych pozycjach. Pokaż ją w połowie obrotu z jedną ręką wyciągniętą po spadający pusty program; chustka i spódnica naturalnie podążają za obrotem. Pasażer w śliwkowej kurtce lekko się pochyla i łapie róg. Osoby idące w obu kierunkach zakrzywiają wokół nich ścieżki z różnym krokiem i widoczną przestrzenią osobistą. Naturalny wyraz twarzy i elegancka mechanika ciała, bez pozowanego tańca, dodatkowych kończyn, przeprojektowania sceny ani czytelnego tekstu.

Widok z boku uwidacznia jej wyciągnięcie ręki i lokalne przejście; program i pobliskie osoby są punktami kontroli ciągłości.

Prompt do obrazu 3, widok odwrotny od bramek: Edytuj obrazy 1 i 2, aby uzyskać trzeci widok 16:9 patrzący z powrotem w stronę wejścia z miejsca tuż za bramkami. Zachowaj te same twarze, odzież, pasażera w śliwkowej kurtce, łuki dachu, ścianę z mapą, linię bramek, mozaikę z gwiazdą i paletę kolorów. Kobieta trzyma teraz odzyskany pusty program, uśmiecha się z ulgą, otwiera jedną dłoń w geście podziękowania i odwraca ramiona, by wrócić do strumienia. Dwa przecinające się strumienie płyną dalej za nią i obok niej. Kadr na wysokości ramion z mozaiką i dachem rozpoznawalnymi z przeciwnego kierunku. Fotorealistyczna tkanina i skóra, dopracowany, ale wiarygodny projekt stacji, bez zatrzymanego tłumu, powtarzających się twarzy, logotypów ani czytelnych oznaczeń.

Końcowy kadr zachowuje jej strój i punkty orientacyjne stacji, ale nie osiąga żądanego prawdziwego kąta odwrotnego.

Prompt do 28-sekundowego wideo: Użyj trzech zatwierdzonych kadrów jako referencji wizualnych do jednego ciągłego, fotorealistycznego ujęcia 16:9 tej samej hali i tych samych osób. W sekundach 0–7 przesuń się po przekątnej do wewnątrz od wejścia, gdy dwa zatłoczone strumienie przecinają się w pobliżu mozaiki z gwiazdą w zróżnicowanym rytmie chodu. W sekundach 7–14 śledź kobietę z boku, gdy pusty program wypada z jej torby; unoszą się jej brwi, wykonuje kontrolowany obrót całego ciała, chustka i spódnica poruszają się bezwładnie, a ona wyciąga po niego rękę. W sekundach 14–21 zatocz łuk wokół przejścia, gdy pasażer w śliwkowej kurtce łapie róg, pobliskie osoby zwalniają lub odchodzą na bok, nie tracąc swoich tras, a kobieta uśmiecha się, odbiera program i wykonuje mały gest podziękowania otwartą dłonią. W sekundach 21–28 przejdź do widoku odwrotnego od bramek, gdy odwraca się w stronę towarzyszki i wraca do strumienia; spojrzyj z powrotem, aby ukazać tę samą ścianę z mapą, łuki dachu, linię bramek i mozaikę z gwiazdą w spójnych pozycjach. Utrzymaj stabilne twarze, odzież, architekturę i oświetlenie; wiarygodną wysokość kamery; płynną akcję i czytelne wyrazy twarzy. Bez sytuacji awaryjnej, układu tanecznego, kolizji, zduplikowanych osób, teleportacji, zniekształconych dłoni, nagłych cięć ani powolnego ruchu wyłącznie przez zoom. Bez logotypów lub czytelnych oznaczeń.

28-sekundowy statyczny klip przechodzi od szerokiego widoku tłumu do przekazania papieru i z powrotem przez halę. To wyrenderowany przykład, a nie nagranie interakcji z Genie 4.

Kadry zachowują szmaragdowy płaszcz kobiety, szafranową chustkę i koralową sukienkę przez całe zdarzenie. Trzeci obraz pozostaje po podobnej stronie sceny, zamiast pokazywać żądany widok odwrotny. W klipie kamera przechodzi między szerokimi i bliższymi widokami z boku, gdy program zmienia właściciela, ale nie przeprowadza wyraźnego testu ciągłości widoku odwrotnego. Ta luka ma większe znaczenie niż atrakcyjność któregokolwiek kadru. Statyczny klip nie może też pokazać, jak Genie 4 zareagowałby na żądanie sterowania na żywo.

Jak oceniać zachowanie tłumu, a nie jedną klatkę

Nieruchoma klatka może pokazać gęstość i kompozycję. Nie powie Ci, czy piesi poruszają się spójnie, czy przecinające się strumienie robią sobie nawzajem miejsce ani czy edycja sceny zmienia budynek za nimi. Oglądaj ciągłą sekwencję i za każdym razem sprawdzaj te same pięć rzeczy:

1. Kierunek przepływu: Czy potrafisz rozpoznać główne trasy przez halę? Czy ludzie nadal kierują się do wejść, czy ścieżki losowo się odwracają?
2. Lokalne przecięcia: Gdy dwa strumienie się spotykają, czy osoby wydają się dostosowywać kierunek i prędkość, czy ciała się nakładają, przeskakują w bok lub przenikają przez siebie?
3. Indywidualne zróżnicowanie: Czy ludzie idą, czekają i tworzą grupy w różnym tempie, czy wiele postaci powtarza ten sam ruch i wygląd?
4. Ciągłość przestrzenna: Po przesunięciu kamery lub zmianie sceny, czy stałe punkty orientacyjne, takie jak bramki i ściany, pozostają w spójnych pozycjach?
5. Dopasowanie zdarzeń i dźwięku: Jeśli kilka osób się zatrzyma lub pojawi się sygnał dźwiękowy, czy pobliskie osoby i otoczenie reagują w sposób pasujący do tego, co widać?

Użyj tej listy, aby zdecydować, czy wynik wspiera dyskusję wizualną. Scena może nadawać się do tablicy nastroju, nawet jeśli kilku pieszych się powtarza. Ten sam wynik byłby nieodpowiedni do badania unikania kolizji. Zapisuj konkretne błędy, takie jak osoba znikająca po obróceniu kamery lub przejście zmieniające kształt, zamiast oceniać „realizm” jako jedno ogólne wrażenie.

Lista kontrolna nie zamienia wygenerowanej sceny w zwalidowaną symulację. Sam DeepMind wskazuje dryf wizualny, trwałość obiektów, złożone interakcje fizyczne, dokładność przestrzenną i długoterminową spójność jako aktywne ograniczenia badawcze. Dopracowany obraz lub responsywny moment może współistnieć z błędami w tych obszarach. ( Google DeepMind, ograniczenia Genie 4 )

Dostęp do Genie 4, dostępność i praktyczny plan B

W ogłoszeniu stwierdzono, że Genie 4 zaczęło być udostępniane jako podgląd badawczy zaufanym testerom. Google mówi, że planuje rozszerzyć dostęp przez Project Genie dla subskrybentów Google AI Ultra oraz przez partnerów wczesnego dostępu dla Gemini API i Google AI Studio. „Planuje rozszerzyć” nie oznacza, że każdy subskrybent lub deweloper może z niego korzystać już dziś. Publiczne ogłoszenie nie podaje ceny ogólnie dostępnej, a lista oczekujących nie jest potwierdzeniem dostępu.

Sprawdź oficjalną stronę Genie i listę oczekujących pod kątem aktualnych uprawnień, zanim zaplanujesz projekt wokół sesji na żywo. Jeśli uzyskasz dostęp, zacznij od krótkiej eksploracji i traktuj wynik jako wczesny prototyp wizualny. Unikaj opierania harmonogramu, twierdzenia o bezpieczeństwie lub wymagania produkcyjnego na dostępie, który nie został przyznany.

Jeśli Twoją bezpośrednią potrzebą jest statyczny klip koncepcyjny, model wideo może odpowiedzieć na węższe pytanie: jak ta stacja może wyglądać i sprawiać wrażenie w jednym skomponowanym ujęciu? Atlas Cloud wymienia Wan 3.0 Reference-to-Video jako jedną z opcji, gdy masz już obrazy referencyjne. Sprawdź aktualne ustawienia modelu przed uruchomieniem.

Opisane powyżej studium przejścia na stacji to jeden przykład statycznego wideo. Jego 28-sekundowa trasa kamery może ujawnić powtarzające się postacie, niestabilną architekturę lub ścieżki przecinające się wzajemnie. Klip to podgląd koncepcji wizualnej, a nie interaktywna sesja Genie 4: widz nie może się po nim poruszać ani sterować nowym zdarzeniem w miarę jego przebiegu.

Zwięzłe odczytanie elementów sceny wymienionych w oficjalnym prompcie stacji DeepMind.

Kiedy sceny tłumu w Genie 4 są przydatne, a gdzie zachować ostrożność

Interaktywna scena tłumu może pomóc zespołowi tworzącemu grę omówić wrażenie hali, pomóc filmowcowi zbadać wysokość kamery i ruch lub pozwolić zespołowi kreatywnemu porównać kilka kierunków sceny przed zbudowaniem szczegółowego środowiska. Wartość tkwi w szybkiej eksploracji: ludzie mogą zapytać „co jeśli kamera zacznie tutaj?” albo „co się zmieni, jeśli mała grupa się zatrzyma?” i sprawdzić odpowiedź.

Te pytania różnią się od walidacji produkcyjnej. Wygenerowana scena tłumu nie ustala pojemności obiektu, czasu ewakuacji, dostępności, bezpiecznej gęstości pieszych ani zgodności z wymaganiami budowlanymi. Takie decyzje wymagają odpowiednich danych i metod ze świata rzeczywistego oraz przeglądu przez wykwalifikowanych specjalistów. Podane przez Genie 4 ograniczenia dotyczące dokładności przestrzennej i złożonych interakcji sprawiają, że szczególnie ważne jest, aby nie traktować prawdopodobnie wyglądającej sekwencji jako wyniku inżynierskiego.

Ta sama granica dotyczy logiki gry. Wygenerowana postać, która wydaje się ustępować, nie jest dowodem powtarzalnej reguły nawigacji, deterministycznego obsługiwania kolizji ani stabilnego zachowania między sesjami. Użyj sceny, aby uczynić pomysł przedyskutowanym; przejdź do narzędzi specjalnego przeznaczenia i kontrolowanych testów, gdy decyzja zależy od mierzonych wyników.

W przypadku ruchu tłumu w Genie 4 w zatłoczonych przestrzeniach publicznych praktycznym następnym krokiem jest zdefiniowanie jednej interakcji, którą chcesz zbadać, zapisanie punktów orientacyjnych i ścieżek, które powinny pozostać spójne, oraz sprawdzenie aktualnych uprawnień do podglądu. Jeśli nie masz dostępu do Genie 4 i potrzebujesz tylko referencji wizualnej do udostępnienia, użyj statycznego przepływu pracy z wideo i dokładnie oznacz wynik.

Często zadawane pytania

Czy Genie 4 to generator wideo czy interaktywny model świata?

Google opisuje Genie 4 jako interaktywny model świata. Jego demonstracje pokazują nawigację za pomocą klawiatury, sterowanie kamerą i sterowanie tekstem w czasie rzeczywistym. Może również tworzyć nagrany materiał audiowizualny, ale to nie czyni go równoważnym z przepływem pracy, który zwraca tylko statyczny klip wideo.

Czy Genie 4 potrafi symulować realistyczny ruch tłumu?

Potrafi generować zatłoczone sceny, a ogłoszenie DeepMind zawiera przykład zatłoczonej stacji. To pokazuje zamierzoną możliwość, a nie zwalidowany pomiar zachowania pieszych. Sprawdzaj ruch w czasie i miej na uwadze opublikowane ograniczenia modelu.

Czy Genie 4 jest publicznie dostępne i czy ma publiczną cenę?

Na dzień 2 listopada 2026 r. DeepMind opisuje podgląd badawczy dla zaufanych testerów i planowane szersze udostępnienie. Publiczne ogłoszenie nie podaje ceny ogólnie dostępnej. Potwierdź uprawnienia w oficjalnym ogłoszeniu i na liście oczekujących.

Czy Atlas Cloud może uruchomić Genie 4?

Katalog modeli Atlas Cloud nie zawiera Genie 4. Atlas Cloud oferuje opcje statycznego generowania wideo, takie jak Wan 3.0, ale nie zapewniają one interaktywnej symulacji świata Genie 4.