Genie 4 vs Agora 2: Một thế giới có đạo diễn, hay hai mươi người trong cùng một căn phòng

“Tối đa 20 người tham gia” là con số mà Odyssey dùng để ra mắt Agora 2 vào ngày 21 tháng 9 năm 2026, và nó phân rã thành một thứ thú vị hơn vẻ ngoài: bốn người điều khiển và mười sáu tác nhân tự trị, tất cả cùng chia sẻ một thế giới thường trực. Genie 4, được Google DeepMind công bố năm tuần sau đó vào ngày 27 tháng 10 năm 2026, đặt cược gần như ngược lại. Nó trao cho một người dùng duy nhất một thế giới thuyết phục một cách phi thường với âm thanh gốc và chỉ dẫn bằng ngôn ngữ tự nhiên, và nó không cho phép người thứ hai bước vào đó. Đó không phải là hai phiên bản của cùng một sản phẩm ở các cấp chất lượng khác nhau. Chúng là hai chương trình nghiên cứu tình cờ dùng chung một danh từ.

Ba câu hỏi phân biệt chúng là: còn ai khác ở trong thế giới đó, liệu thế giới đó có tồn tại khi không ai nhìn vào nó hay không, và liệu nó có phát ra âm thanh hay không. Genie 4 trả lời câu thứ ba tốt hơn bất kỳ thứ gì từng được phát hành trước nó, còn hai câu đầu thì hoàn toàn không. Agora 2 trả lời được hai câu đầu và hầu như không nói gì về câu thứ ba.

Hai mươi thực ra là bốn cộng mười sáu

Tiêu đề của Odyssey là một tuyên bố về chơi nhiều người, và đáng để nói chính xác về những gì thực sự được kết nối. Bốn người điều khiển nhân vật trong thời gian thực. Mười sáu thực thể nữa là các chính sách được huấn luyện bằng học tăng cường — hành vi của quái vật và bạn đồng hành — hoạt động bên trong cùng một thế giới. Vậy nên mô tả trung thực là một trò chơi bốn người chơi với dân cư là các tác nhân đã học, tức gấp năm lần số lượng người tham gia của Agora 1 và là một kiến trúc khác biệt đáng kể so với một bản demo sinh tạo dành cho một người chơi.

Có nhiều môi trường thay vì chỉ một, hành vi được duy trì qua những chặng thời gian dài hơn, và dữ liệu huấn luyện là các bản ghi hình của Diablo II — một game nhập vai hành động góc nhìn đẳng cự từ năm 2000. Chi tiết cuối đó không phải là một điều tò mò vặt. Nó cho bạn thấy nhóm đã cố ý chọn một trò chơi có ngữ pháp camera cố định và tương tác thực thể dày đặc thay vì một thế giới mở quang thực, bởi vì đó là bối cảnh nơi trạng thái chia sẻ có thể kiểm thử được và nơi mức chuẩn hình ảnh có thể đạt được.

Vì sao trạng thái ngoài màn hình lại là phần khó

Hầu hết các mô hình thế giới, bao gồm cả Genie 4, hoạt động giống như một trình tạo video cực kỳ tinh vi. Cảnh tồn tại dưới dạng các khung hình, và bất kỳ thứ gì camera hiện không hướng tới đều phải được tạo lại khi camera quay lại — đó là lý do tính thường tồn của vật thể bị suy giảm, và cũng là lý do tài liệu ra mắt của chính Google cảnh báo rằng các chi tiết và vật thể sẽ bị trôi lệch khi một mô phỏng chạy càng lâu và các chỉnh sửa lời nhắc càng trở nên phức tạp.

Agora 2 giải quyết việc này bằng cách không phải là một trình tạo video ở cốt lõi. Nó vận hành một trạng thái thế giới có thẩm quyền phía máy chủ, tồn tại độc lập với mọi góc nhìn, với một mô hình mô phỏng đã học xử lý chuyển động và một ngăn xếp kết xuất riêng vẽ ra những gì mỗi máy khách nhìn thấy. Các thực thể vẫn tồn tại khi không ai nhìn vào chúng. Đó là lý do vì sao hai mươi người tham gia có thể nhất quán cùng lúc: họ không phải mỗi người yêu cầu một trình tạo tưởng tượng ra những người khác, mà đang đọc từ một sự thật chung.

Phần kỹ thuật được cố ý làm nhỏ ở phần phải dùng chung. Mô hình mô phỏng được báo cáo ở khoảng 4,46 triệu tham số, bốn lớp, độ rộng 256, với mười bốn nhánh chuyển động và một đầu hướng riêng. Bộ kết xuất là mạng lớn — một transformer flow-matching khoảng một tỷ tham số, mười sáu khối ở độ rộng 2.048, năm trong số đó mang attention thời gian nhân quả. Nói thô: hãy làm luật rẻ và giống hệt nhau cho mọi người, dồn phần tính toán vào những gì mỗi người chơi nhìn thấy.

Lợi thế của Genie 4 nằm ở chính phần bạn nghe được

Đặt trong tương quan đó, những đóng góp của Genie 4 trông có vẻ hẹp, nhưng thực tế không phải vậy. Âm thanh tích hợp sẵn — không gian âm thanh môi trường, âm nhạc và lời thoại với các nhân vật phản hồi trong cảnh — là thứ mà không một mô hình thế giới nào khác trong so sánh này cung cấp được cả. Báo cáo kỹ thuật của Odyssey không đưa ra bất kỳ tuyên bố nào về âm thanh. ABot-Earth, WorldClaw hay HY-Nomas cũng vậy.

Điều đó quan trọng hơn đối với mô phỏng so với giải trí. Một môi trường huấn luyện cho tác nhân hiện thân mà không thể tạo ra âm thanh thì đang thiếu hẳn một phương thức đầu vào; một công cụ tiền hình dung không có âm thanh khiến bộ phận âm thanh phải làm từ đầu theo nhịp thời gian của người khác. Genie 4 còn được điều khiển bằng ngôn ngữ tự nhiên ngay giữa quá trình mô phỏng, điều mà Agora 2 không có — thế giới của Odyssey được chi phối bởi cơ chế trò chơi và đầu vào của người chơi, chứ không phải bởi một câu lệnh làm thay đổi thời tiết.

Điều Genie 4 không thể làm là tiếp nhận một tay điều khiển thứ hai. Không có trạng thái chia sẻ, không có máy chủ có thẩm quyền, không có khái niệm về một người tham gia khác. Yêu cầu nó chạy bốn người chơi và bạn sẽ nhận được bốn thế giới độc lập mà tình cờ dùng chung một lời nhắc.

640×480 là một lựa chọn thiết kế, không phải báo cáo lỗi.

Agora 2 kết xuất ở 640×480 và các nhà đánh giá đã ghi nhận đôi khi có hiện tượng mờ trên các vật thể. Sẽ rất dễ ghi đó là một khiếm khuyết so với tuyên bố tái tạo chân thực như ảnh chụp của Genie 4 — ngoại trừ việc Genie 4 hoàn toàn không công bố độ phân giải nào.

Sự bất đối xứng đó đáng để ngẫm kỹ. Một nhóm đã tung ra một thế giới độ phân giải thấp và công bố mục hạn chế của mình, thừa nhận rằng tốc độ khung hình duy trì ổn định, độ trễ từ đầu vào đến hiển thị, chất lượng hình ảnh trong dài hạn, sự nhất quán giữa các góc nhìn và mức độ tuân thủ hành động chưa được đánh giá định lượng. Nhóm còn lại tung ra một tuyên bố về hình ảnh chân thực như ảnh chụp, một cửa sổ nhất quán hai phút và không có con số nào. Khi một bên có thể đo lường được còn bên kia thì không, bên đo lường được thường trông tệ hơn và thường hữu ích hơn.

Hai canh bạc khác nhau về mục đích của các mô hình thế giới

Odyssey đang đặt cược rằng những vấn đề thú vị là vấn đề xã hội và đa tác nhân. Cách họ định khung rất rõ ràng: một thế giới mô phỏng dùng chung là nơi an toàn hơn để nghiên cứu cách nhiều tác nhân hành xử cùng nhau so với thế giới thực. Công ty đã trích dẫn một sự cố do METR báo cáo, trong đó khoảng 1.200 tác nhân tự tổ chức, như một động lực. Theo luận đề đó, độ trung thực chỉ là phương tiện và số lượng người tham gia mới là điểm mấu chốt, bởi vì những hiện tượng bạn muốn quan sát — thông đồng, phối hợp, phân chia vai trò nổi lên — chỉ xuất hiện ở quy mô lớn.

Google đang đặt cược rằng những bài toán thú vị mang tính tri giác và hướng dẫn. Theo luận điểm đó, một đạo diễn duy nhất với một thế giới quang thực, có âm thanh, có thể điều khiển được chính là sản phẩm hữu dụng, bất kể đạo diễn đó là một nhà làm phim đang dàn cảnh một cảnh quay hay một nhóm robot đang tập dượt một nhiệm vụ. Buổi demo đáng chú ý nhất của Genie 4 khớp chính xác với điều này: Gemini 4 Argon phân rã các nhiệm vụ mà Genie 4 mô phỏng trong thời gian thực cho một robot hình người Apptronik Apollo. Một tác nhân, một thế giới, không đám đông.

Cả hai canh bạc đều có thể đúng. Một mô hình duy nhất không thể đáp ứng cả hai, đó là lý do cách đặt vấn đề “cái nào tốt hơn” không hợp lý.

Hóa đơn phục vụ mà không ai đưa lên tiêu đề

Agora 2 được cho là sử dụng khoảng bốn GPU RTX PRO 4500 để phục vụ một phiên bốn người chơi, với việc huấn luyện và phục vụ trên AWS Trainium. Đó là một con số thực và là kiểu con số quyết định liệu một bản xem trước nghiên cứu có thể trở thành sản phẩm hay không. Hai mươi người tham gia trong một thế giới thì rẻ về mặt người chơi nhưng đắt về mặt silicon, vì trạng thái chia sẻ nghĩa là máy chủ phải là nguồn chuẩn cho tất cả mọi người cùng một lúc.

Genie 4 chưa công bố chi phí phục vụ. Đây là bản xem trước nghiên cứu dành cho những người thử nghiệm đáng tin cậy, tiếp theo là các thuê bao Google AI Ultra và các đối tác Gemini API được truy cập sớm. Không ai ngoài nhóm thử nghiệm biết chi phí để tạo ra một phút thế giới được sinh ra là bao nhiêu, nghĩa là chưa ai có thể nói liệu bản demo ấn tượng có đứng vững khi đối mặt với bảng giá hay không.

Mỗi thứ thực sự là bằng chứng cho điều gì

Agora 2 là bằng chứng cho thấy một mô hình thế giới có thể là nền tảng cho nghiên cứu đa tác nhân thay vì chỉ là một thủ thuật kết xuất. Nếu câu hỏi của bạn là "điều gì xảy ra khi nhiều tác nhân cùng chia sẻ một môi trường," thì đây là công cụ duy nhất trong hai công cụ có một môi trường để chia sẻ, và việc nó có thể chơi được trên trình duyệt tại agora.odyssey.ml khiến nó trở nên dễ tiếp cận một cách bất thường đối với một bản xem trước nghiên cứu.

Genie 4 là bằng chứng cho thấy giới hạn trần về khả năng cảm nhận đã dịch chuyển. Nếu câu hỏi của bạn là “liệu một thế giới được tạo ra có đủ thuyết phục để lập kế hoạch dựa vào đó hay không”, thì nó đang dẫn trước, và âm thanh chính là lý do — đây là lần đầu tiên một mô hình thế giới tạo ra một cảnh mà bạn có thể đưa cho ai đó mà không phải xin lỗi vì sự im lặng.

Với các nhóm xây dựng hạ tầng agent thay vì xây dựng thế giới, bài học thực tiễn từ Agora 2 là chi phí phối hợp chiếm ưu thế. Hai mươi agent trong một thế giới trước hết là một bài toán định tuyến, rồi mới là một bài toán đồ họa: mô hình nào xử lý chính sách của agent nào, điều gì xảy ra khi một endpoint bị khựng, làm sao giữ cho các lệnh gọi xác minh rẻ vẫn rẻ. Đó là lớp mà chúng tôi làm việc — một API xuyên suốt hơn 200 mô hình với cơ chế chuyển đổi dự phòng tự động, để một lượt chạy đa agent không chết chỉ vì một nhà cung cấp gặp trục trặc trong một phút — và đó là lớp giữ nguyên bất kể cuối cùng bạn chuẩn hóa trên mô hình thế giới nào.

Câu hỏi đáng đặt ra vào tháng 10 năm 2026 không phải là trong hai cái này, cái nào tốt hơn. Mà là liệu mô hình thế giới bạn cần là một nơi mà các tác nhân khác có thể đứng vào, hay một cảnh quay mà bạn có thể đạo diễn. Odyssey đã xây dựng cái đầu tiên. Google đã xây dựng cái thứ hai, và biến nó thành cái trông đẹp nhất mà bất kỳ ai đã từng trình diễn.