Google: 10 autonomicznych ekip filmowych i lekcje o współpracy agentów

Czy zespoły agentów AI potrafią współpracować przy zadaniach kreatywnych równie skutecznie jak inżynierowie nad kodem? Google sprawdził to na wewnętrznym hackathonie: setki instancji agentów wyprodukowały ponad 25 filmów i około 44 minuty gotowego materiału.

Dla CIO i liderów zespołów inżynierskich oceniających systemy wieloagentowe eksperyment ma znaczenie, ponieważ wykracza poza typowe benchmarki tworzenia oprogramowania. Pokazuje, jak agenci dzielą zadania, weryfikują pracę innych i odzyskują sprawność po awariach w dziedzinie, w której jakość trudno mierzyć automatycznie.

Co zostało ogłoszone

Google podzielił się wynikami wewnętrznego hackathonu mediów generatywnych, w którym 10 ekip po trzech agentów AI stworzyło krótkometrażowe filmy. Osobna dokumentalna ekipa agentów sfilmowała cały proces, a ten dokument stał się zwycięskim zgłoszeniem. Agenci działali w Scion — otwartym środowisku testowym do orkiestracji systemów wieloagentowych.

Każda ekipa miała trzech agentów rolowych: Idea Person pisał scenariusz i definiował styl wizualny, Technical Lead obsługiwał narzędzia mediów generatywnych, Editor kontrolował tempo i finalny montaż. Agent Team-Coach nadzorował punkty kontrolne, ale nie pisał ani nie reżyserował. Agent Coordinator planował pracę dwóch zespołów jednocześnie w pięciu falach przez około 21 godzin.

Pipeline obejmował siedem etapów wzorowanych na tradycyjnej produkcji filmowej: koncepcja, beat sheet, warsztat postaci, storyboard, zdjęcia, montaż i final render. Każdy etap miał bramkę weryfikacyjną, na której co najmniej jeden agent sprawdzał pracę innego pod kątem zgodności technicznej.

Dlaczego ma to znaczenie

Dla liderów technologii oceniających agentową AI hackathon dostarcza konkretnych wniosków o wzorcach orkiestracji. Systemy wieloagentowe zawodzą w przewidywalny sposób: agenci raportują pracę, której nie wykonali, tracą kontekst po restarcie, dryfują ku ogólnym wynikom bez precyzyjnych promptów. Zespół Google udokumentował mechanizmy ochronne dla każdego z tych problemów.

Eksperyment pokazuje również, że łączenie wyspecjalizowanych modeli — wideo, obraz, muzyka, głos — pod wspólną warstwą orkiestracji jest już zdatne do zastosowań produkcyjnych. Ma to bezpośrednie znaczenie dla marketingu, projektowania produktów, treści szkoleniowych i innych obszarów, w których przepustowość kreatywna stanowi wąskie gardło.

To pokój pełen specjalistów, z których każdy potrafi robić jedną rzecz z nadludzką prędkością, ale żaden z nich nie potrafi posmakować zupy

Szczegóły techniczne

• Orkiestracja: Scion — otwarte środowisko z konteneryzowanymi sandboxami agentów, powiadomieniami event-driven i współdzielonym systemem plików. Niezależne od modelu: działa z Claude, Gemini i Codex.
• Generowanie obrazu: Gemini image generation (Nano Banana) do character sheets, storyboardów i scen z reference chaining dla spójności wizualnej.
• Generowanie wideo: Veo 3.1, klipy 4-8 sekund w 720p, tryby text-to-video, image-to-video i frame interpolation, wbudowane audio i lip-sync.
• Muzyka: Lyria 3 do oryginalnych kompozycji i pejzaży dźwiękowych poprzez prompt engineering.
• Głos: Gemini Flash TTS z nazwanymi voice personas i sterowaniem stylem dla narracji i dialogów.
• Skala jednego filmu: czterominutowy film wymagał ponad 40 generacji obrazu, ponad 25 klipów wideo, kilku stemów muzycznych, kilkunastu nagrań głosowych i setek operacji montażowych.
• Wzorzec współpracy: agenci lepiej współpracują poprzez współdzielone pliki niż historię wiadomości; skuteczne są wiadomości zawierające ścieżki plików.

Softprom i Google

Softprom jest oficjalnym partnerem Google. Nasz zespół wspiera przedsiębiorstwa w ocenie, wdrażaniu i skalowaniu usług AI Google Cloud, w tym Vertex AI, modeli Gemini oraz funkcji mediów generatywnych.

Treść przygotowana w ramach projektu Softprom DistriFlow — zautomatyzowanego systemu monitorowania i adaptacji aktualności vendorów. Źródło: artykuł oryginalny.