Разбор технологии ACTx486: интерактивные видео-агенты

В tech-СМИ сейчас хайпит штука под названием ACTx486 - "новая технология" которая позволяет болтать с видосом в режиме лайв. На демке мадам берёт тот самый легендарный выпуск с Маском-паровозом и общается с ним. Спрашивает, куда сходить в Лос-Анджелесе, и Илон присылает ей подборку на телефон (да, персонаж не только отвечает голосом с экрана, но и в другие каналы умеет стучаться). Просит его ответить на итальянском - он отвечает. А в какой-то момент говорит "Слушай, не кури бяку вот эту, ну", и Маск такой "Ну ок, ладно, не буду", и убирает свой *запрещено в РФ* (не то что обычно запрещено, а вот другое запрещённое, ну вы поняли). Выглядит всё это нереально хайпово, жирно, сочно и вообще пушка-гонка. Но на самом деле это не магическая магия, а просто очень грамотно упакованная цепочка агентов и генераций. Устроено примерно так: 1. Вопрос юзера обрабатывается и роутится: система решает, кому из персонажей он адресован. По умолчанию - тому, кто сейчас в кадре. Сейчас у сервиса два хоста - Маск и Роган, роутить несложно. Ещё ИИшка решает, что с вопросом вообще делать - ответить словами, нарисовать схему, отправить карточку на телефон и т.д. 2. Отдельный агент идёт искать факты в открытых источниках. Например, свежие цифры по выручке Tesla и SpaceX он подтягивал из реальных квартальных отчётов. 3. Пишут ответ для персонажа. С ограничениями "что можно говорить от имени живого человека". На личные и политические вопросы "Маск" отвечать отказывается. 4. В итоге генерится видео с синтетическим лицом, голосом, взглядом и таймингом. Если нужно - в кадр добавляют объект или вообще включают новую сцену. И всё это вклеивается в реальные кадры так, чтобы оригинальный разговор продолжился как будто так и было. При этом, если Маска переодели или (например) перенесли на Марс, то штука это учитывает при генерации. НО ЕСТЬ НЮАНС. Между вопросом и ответом всё-таки проходит несколько минут (а не моментально, как в демке). Законы физики всё-таки не обманешь. Авторы это честно пишут и говорят, что целятся в задержку 6 секунд, но пока до этого далеко. А то что показали в демке - это просто кино. Ответы сгенерили заранее, потом сняли актрису с агентством, оператором и монтажёром (и они кстати все честно указаны в титрах). Тем не менее, штука реально взрывает мозг и выглядит как научная фантастика. И сделали её не абы кто: - Карина Нгуен - одна из первых сотрудниц Anthropic, потом в OpenAI делала Canvas и Tasks. - И Якуб Зегзулька (фамилия однозначный топ) - интерфейсник, который до этого работал на Apple и на Цукерберга. Единственное, хотелось бы, чтоб штука передавала ещё и интеллект, убеждения и общий моральный облик человека в кадре (и ещё вайб). Чтобы от общения с "учёными" реально умнеть, а через полчаса "разговора" с Канье Вестом уверенно заезжать в 🏠😡. Дизраптор