Gemini Omni: Поява світової моделі

На Google I/O ’26 CEO Google DeepMind Деміс Хассабіс презентував Gemini Omni, і цей анонс відрізнявся від звичайних запусків продуктів. Це не просто швидша модель чи новий інтерфейс. Це зовсім інший тип ШІ.

Omni — це те, що дослідники називають «світовою моделлю» (world model). Ця система не просто передбачає текст або генерує статичні зображення, а активно розуміє та симулює реальність. Хассабіс назвав це критичним кроком до створення загального штучного інтелекту (AGI), який, на його думку, з’явиться вже за кілька років.

Фундамент, який закладається зараз — ШІ, здатний аналізувати фізику, просторові зв’язки та динаміку реального світу — уможливлює створення всього: від передової робототехніки до справді проактивних ШІ-асистентів.

Як глобальний Premier-партнер Google Cloud, ми уважно стежимо за цим. І вам теж варто.

Фундамент світових моделей та шлях до AGI

Аби зрозуміти, чим відрізняється Omni, треба згадати, що могли й чого не могли попередні ШІ-моделі.

LLM чудово справляються зі своїми завданнями. Дайте їм текст, і вони опрацюють та згенерують його на рівні, який досі дивує. Але текст — це лише частина картини. Справжня світова модель має розуміти фізику, просторові зв’язки та реальну поведінку об’єктів у середовищі. Це зовсім інша проблема, і просте передбачення наступного токена тут не допоможе.

Gemini Omni досягає цього завдяки поєднанню нативної мультимодальності архітектури Gemini з найкращими генеративними медіамоделями Google. До появи Omni Google уже розробив спеціалізовані інструменти: Veo для генерації відео, Nano Banana для створення та редагування зображень і Genie для інтерактивних симуляцій.

Кожен із них демонстрував проблиски розуміння фізики та світу. Проте Omni здатна симулювати складні фізичні концепції, як-от кінетичну енергію, гравітацію та гідродинаміку, з точністю, недоступною попереднім генеративним системам.

Оскільки модель від початку створювалася як нативно мультимодальна, мета була амбітною: генерувати будь-який результат із будь-яких вхідних даних. Це був складніший шлях. Але, за словами команди DeepMind, інвестиції в архітектуру виправдовують себе.

Мультимодальність і наукове мислення

Одна з найбільш разючих можливостей Omni — поєднання суворої наукової точності з візуальною креативністю. Завдяки глибокій базі знань та аналітичним здібностям Gemini, модель може перетворювати абстрактні чи складні наукові концепції на точні, стилізовані відео.

Презентація показала це на прикладі оманливо простого промпту: «Зроби пластилінове відео-пояснення згортання білків». Цей запит швидко викриває обмеження більшості ШІ-систем. Стандартна модель генерації відео не впоралася б із необхідною науковою точністю. Текстова модель узагалі не здатна генерувати візуальний ряд.

Gemini Omni впоралася з обома завданнями. Вона створила точне навчальне відео про те, як білки починають формуватися з ланцюгів амінокислот і згортаються у складні структурні патерни — альфа-спіралі та плоскі бета-листи — аж поки не утворять функціональну тривимірну форму.

І все це у пластиліновому стилі, без жодної втрати наукового змісту. Для освітян і популяризаторів така комбінація точності та креативного виконання — це абсолютно нова територія.

Ера «Nano Banana для відео» та розмовне редагування

Модель Nano Banana від Google змінила уявлення про редагування зображень. Omni зробить те саме для відео, і керівники продуктів Google прямо заявили про це під час презентації, назвавши запуск Omni моментом «Nano Banana для відео».

Мовою розробників, це Veo++: базові можливості генерації відео Veo, поєднані з глибоким когнітивним аналізом і редагуванням природною мовою в одній системі.

Процес редагування — ось що найцікавіше для більшості користувачів. Замість складної роботи з таймлайном на базі нодів, ви просто спілкуєтеся з моделлю. Ви завантажуєте власне відео й описуєте, що хочете змінити. Деміс Хассабіс продемонстрував це на селфі-відео: намальоване користувачем коло перетворилося на фізично точну чорну діру.

В іншому прикладі звичайне відео вечірньої прогулянки було трансформовано завдяки абсолютно новим елементам середовища, які повністю змінили настрій сцени.

Демонстрація для розробників підтвердила це. Інтро подкасту, група людей спілкується — і раптом у кадрі літають кіт і рослина. Абсурд? Абсолютно. Але в цьому й була суть. Omni об’єднувала абсолютно різні елементи в єдиний, цілісний і реалістичний відеопотік. За словами одного з розробників, саме в цей момент вони усвідомили повний потенціал моделі. Будь-яке відео стає відправною точкою для чогось абсолютно нового.

Креативні воркфлоу в реальному житті із застосунком Gemini

Відтепер Gemini Omni вбудовано безпосередньо в оновлений застосунок Gemini, доступний для підписників Google AI Plus, Pro та Ultra в усьому світі. Ви можете завантажити будь-яку комбінацію тексту, зображень і відео в застосунок та використовувати їх разом у єдиному воркфлоу.

Презентація показала, як це працює на практиці, на прикладі музикантки на ім’я Sashu. Вона працювала над новою піснею і хотіла створити швидкий відеотизер для фанів. Вона завантажила своє відео з прогулянки, додала кілька референсів бажаного візуального стилю і за допомогою Omni в застосунку змінила все завдяки кільком текстовим промптам.

Результати виявилися вражаючими. Omni змінила візуальний стиль відео, а Sashu змогла навіть попросити змінити кут камери на панорамний 360-градусний кадр. До речі, зазвичай це вимагає спеціалізованого обладнання, окремої команди та тривалого постпродакшену.

Під час усього процесу Omni зберегла фізичну точність її рухів, а також темп і настрій оригінального виконання. Візуальний шар змінився. Людський елемент під ним — ні.

Незабаром Omni також з’явиться в Gemini Enterprise як інструмент, до якого можна буде звертатися через API.

Розширені можливості маніпуляції з відео в Google Flow

Професійні креатори, які працюють у Google Flow, — спеціалізованій платформі Google для створення зображень, фільмів та музики, — відтепер мають доступ до тих самих можливостей Omni з більш детальним контролем.

Сире відео на вході, готова сцена на виході — і все це без втрати цінності оригіналу. Саме це показало демо Flow. Людина йде — виконання, яке креатор не хотів змінювати. Завдяки промпту та стилістичному референсу Omni переробила навколишнє середовище і додала складні візуальні ефекти. Модель точно відокремила об’єкт від усього іншого, зберігши суть кадру незмінною.

Користувачі Flow також можуть додавати в існуючі сцени абсолютно нових згенерованих ШІ персонажів, причому модель зберігає їхню узгодженість із середовищем. Окремо варто відзначити рівень розуміння контексту, який Omni демонструє під час масштабного редагування.

Попросіть змінити ранкову сцену на пізню ніч, і вона не просто затемнить небо. Модель увімкне фари автомобіля та симулюватиме реалістичне освітлення пилу в повітрі. Це вже справжня фізика світла, а не просто базова корекція кольору.

Користувачі Flow також можуть використовувати моделі на базі Omni для створення кастомних креативних інструментів, адаптованих під власні воркфлоу, фактично програмуючи власні виробничі утиліти поверх моделі за допомогою вайб-кодингу.

Genie 3: Інтерактивні середовища та гідродинаміка

За здатністю Omni розуміти світ стоїть Genie 3 — спеціалізована світова модель, яка дає ШІ базове розуміння поведінки об’єктів і середовищ. Саме це робить відео в Omni значно ціліснішими порівняно з попередніми поколіннями.

Gemini Omni не просто генерує пікселі, які статистично виглядають правильними. Вона створює сцени на основі базової моделі функціонування фізичного світу — гравітації, імпульсу, розповсюдження світла та поведінки рідин.

Демонстрація Genie 3 яскраво це показала. Користувач попросив модель згенерувати «спокійний водоспад на скелі з динамічною фізикою води» та додав швидкісний паперовий літачок як головного ігрового персонажа.

Згенерованим середовищем можна було керувати в реальному часі за допомогою клавіш зі стрілками. Коли користувач керував літачком і той взаємодіяв із бризками водоспаду, гідродинаміка реагувала абсолютно точно. Світло, що відбивалося від поверхні річки, динамічно змінювалося, коли літачок пролітав над нею. Це була симуляція фізики в реальному часі всередині згенерованого світу, а не попередньо відрендерений кліп.

Відсьогодні Genie 3 доступна для підписників Google AI Ultra.

Доступність, інтеграція в екосистему та Omni Mercial

Зважаючи на високі обчислювальні вимоги світових моделей, Google розгортає Omni обережно. Відсьогодні Gemini Omni Flash доступна в усій лінійці продуктів Google, відкриваючи користувачам можливості розуміння світу, мультимодальності та розмовного редагування відео.

Початок із відео — історично найскладнішої для реалізації модальності — чітко задає напрям: мета полягає у створенні моделі, здатної генерувати будь-який результат із будь-яких вхідних даних без втрати якості.

У Google також підтвердили, що Gemini Omni Pro перебуває в активній розробці. Більше деталей щодо її професійних можливостей з’явиться незабаром.

Аби відзначити запуск і дати розробникам можливість відразу протестувати модель, Google розмістив стенд «Omni Mercial» у демозоні I/O ’26, де відвідувачі могли використати Omni, щоб знятися у власних високоякісних рекламних роликах і згенерувати їх.

Це була не просто розважальна активація: вона довела, що створення відео професійної якості більше не є привілеєм топових студій.

Що Gemini Omni означає для бізнесу

Здебільшого обговорення світових моделей відбувається довкола режисерів і діджитал-митців. І це цілком нормально. Але знаєте, хто насправді виграє від цього найбільше просто зараз?

• Маркетинг-менеджер, якому потрібно запустити одну кампанію на шести різних ринках, кожен з яких має власні мову, тон і контекст.
• Менеджер із продажу, який іде на зустріч із демо, що створювалося не під цього клієнта, і всі це чудово розуміють.
• Керівник відділу обслуговування клієнтів, чиї онбординг-відео настільки застаріли, що від них, імовірно, більше шкоди, ніж користі.

Тож як виглядає поточний цикл виробництва? Ви брифуєте агентство або внутрішню команду, чекаєте, проходите раунди правок і випускаєте матеріал, який уже трохи застарів на момент релізу. Для команд, що працюють на кількох ринках і з різними продуктовими лінійками, це серйозний головний біль.

Саме тут на допомогу приходить Omni: вона створює відшліфовані, стилізовані матеріали завдяки кільком текстовим промптам. І ні, вам не потрібні жодні навички редагування, і в черзі стояти теж не доведеться. До того ж цей функціонал уже вбудований у застосунок Gemini — частину того самого Google Workspace, де ваші команди працюють щодня. А отже, нічого нового впроваджувати не треба, як і запускати програми навчання. Ця можливість просто є і чекає на вас.

Креативні рішення залишаються за вами. А от реалізація — уже ні.

А тепер подумайте, що це насправді. Коли зміна кута камери чи візуального стилю вартує одного речення, а не години роботи, ви проводите більше експериментів. Ви швидше знаходите те, що працює. І в цьому справжня перевага.

Команди, які впровадять це першими, створюватимуть більше контенту, випускатимуть його швидше та витрачатимуть на це значно менше ресурсів, ніж сьогодні. І цей ефект накопичується дуже швидко.

Шлях до AGI

Хоча Gemini Omni — це технічний продукт, Деміс Хассабіс прямо вказав на його місце у глобальній перспективі.

На його думку, розробка моделей, здатних справді розуміти та симулювати фізичний світ, — це обов’язкова передумова для створення AGI. Оскільки ШІ-системи беруть на себе дедалі більше автономних завдань — від керування розкладами до роботи у вигляді фізичних роботів та ухвалення рішень у реальному світі — їм необхідна робоча модель функціонування цього світу. Система, яка не розуміє гравітації, імпульсу чи поведінки об’єктів у просторі, просто до цього не готова.

Здатність Omni симулювати реальність уможливлює все це. Ера AI-native більше не є просто концепцією на дорожній карті. Вона вже у вашому застосунку.