Gemini Omni: AI hiểu thế giới đa phương thức của Google

Trong nhiều năm, AI hiện đại phát triển dựa trên các mô hình ngôn ngữ lớn. Chúng có thể viết văn bản, trả lời câu hỏi, lập trình hay dịch thuật với tốc độ và độ chính xác ngày càng cao. Tuy nhiên, phần lớn những hệ thống này vẫn hoạt động theo nguyên lý dự đoán xác suất: phân tích lượng dữ liệu khổng lồ để tạo ra phản hồi hợp lý tiếp theo.

Bài đăng của Google trên X.

Gemini Omni cho thấy Google đang muốn vượt khỏi giới hạn AI đã chạm tới

Theo các tài liệu công bố từ Google DeepMind, Gemini Omni được xây dựng như một mô hình “omni-modal”, có thể xử lý đồng thời văn bản, hình ảnh, âm thanh và video trong cùng một hệ thống.

Nhưng điểm đáng chú ý hơn nằm ở cách Google mô tả công nghệ này. Thay vì nhấn mạnh khả năng tạo nội dung, hãng liên tục nhắc đến những khái niệm như “simulation”, “physics” hay “multimodal reasoning” - có nghĩa là, AI không chỉ tạo ra hình ảnh đẹp hay video mượt, mà phải hiểu cách thế giới vận hành.

Điều đó nghe có vẻ trừu tượng, nhưng lại là khác biệt rất lớn.

Điểm đáng chú ý nhất của mô hình này chính là bước "nhảy vọt" khi khiến cho AI hiểu "thế giới vật lý". Google nhấn mạnh rằng Gemini Omni không chỉ tạo video đẹp mà còn cố mô phỏng: trọng lực, chuyển động cơ thể, ánh sáng, tính liên tục giữa các cảnh.

Theo đó, chỉ cần người dùng đưa ảnh, đoạn ghi âm và mô tả văn bản bất kỳ, Omni có thể tạo thành một video hoàn chỉnh với chuyển động, ánh sáng và lời thoại phù hợp.

Gemini Omni có thể mô phỏng sinh động các chuyển động vật lý gần giống thế giới thực.

"World model" - cuộc đua mới của ngành AI

Một chatbot truyền thống có thể biết rằng khi trời mưa thì đường thường ướt, đơn giản vì nó đã học từ hàng triệu đoạn văn bản tương tự. Nhưng với “world model”, AI được kỳ vọng sẽ hiểu sâu hơn về mối quan hệ giữa các hiện tượng vật lý: ánh sáng thay đổi theo góc máy, vật thể chuyển động chịu tác động của trọng lực, hay một nhân vật phải giữ tính nhất quán giữa nhiều khung hình liên tiếp.

Đây cũng là lý do các mô hình video AI đang trở thành trung tâm của cuộc đua công nghệ mới. Video chứa đồng thời không gian, thời gian, chuyển động và logic nhân quả. Để tạo ra một đoạn video thuyết phục, AI không thể chỉ ghép những khung hình đẹp với nhau. Nó cần mô phỏng được hành vi của thế giới thực.

Theo TechCrunch, Google đang định vị Gemini Omni như một hệ thống có thể tạo nội dung từ bất kỳ dạng dữ liệu đầu vào nào. Tham vọng này khá tương đồng với hướng đi mà OpenAI từng mô tả cho Sora, nơi mô hình video được xem như “world simulator” - công cụ mô phỏng thế giới.

Gemini Omni có thể mô tả thực tại, edit video bằng hội thoại

Các demo đầu tiên của Gemini Omni cho thấy Google không chỉ muốn AI tạo video, mà còn muốn AI chỉnh sửa và duy trì logic của video thông qua hội thoại liên tục. Người dùng có thể yêu cầu thay đổi thời tiết, góc quay hay phong cách hình ảnh chỉ bằng ngôn ngữ tự nhiên, trong khi nhân vật và bối cảnh vẫn được giữ ổn định giữa các cảnh quay. Đây là điểm mà nhiều công cụ text-to-video trước đó vẫn gặp khó khăn.

Đằng sau các demo này là một thay đổi lớn hơn trong chiến lược AI của Google. Thay vì phát triển các sản phẩm rời rạc cho chatbot, hình ảnh hay video, công ty đang hợp nhất chúng thành một hệ thống thống nhất có thể nhìn, nghe, hiểu và tạo nội dung đa phương thức trong cùng một môi trường.

Nói cách khác, Google dường như không còn xem Gemini đơn thuần là chatbot, mà là nền tảng AI có khả năng tương tác với thế giới thực theo cách toàn diện hơn.

Dĩ nhiên, khoảng cách giữa tham vọng và thực tế vẫn còn rất lớn. Các bản thử nghiệm hiện tại vẫn xuất hiện lỗi chuyển động, inconsistency nhân vật hay các chi tiết vật lý chưa hoàn toàn tự nhiên. Google cũng chưa công bố đầy đủ benchmark kỹ thuật của Omni, khiến giới nghiên cứu khó đánh giá chính xác năng lực thật sự của mô hình này.

Dù Gemini Omni vẫn chưa thể “hiểu thế giới” như con người, công nghệ này cho thấy AI đang bước sang một giai đoạn mới. Mục tiêu giờ đây không chỉ là tạo ra các chatbot trả lời thông minh hơn, mà là xây dựng những hệ thống có thể hiểu môi trường xung quanh, nhận biết không gian và dự đoán điều gì sẽ xảy ra trong thế giới thực.

Nếu xu hướng này tiếp tục phát triển, AI tương lai có thể không chỉ dừng ở việc trò chuyện, mà còn có khả năng quan sát, suy luận và tương tác với cuộc sống thực theo cách ngày càng giống trí tuệ con người hơn.