Google DeepMind przedstawił 27 października 2026 r. Genie 4, model świata generujący interaktywne symulacje w czasie rzeczywistym. System tworzy obraz, ruch, dźwięki otoczenia i dialog, a użytkownik może na bieżąco zmieniać przebieg sceny za pomocą poleceń tekstowych. Technologia ma znaczenie dla robotyki i agentów AI, ponieważ pozwala testować działania w zmiennych środowiskach przed przeniesieniem ich do świata fizycznego.
Jak Genie 4 łączy symulację z modelami Gemini
Genie 4 jest modelem natywnie multimodalnym. W ramach jednej symulacji generuje warstwę wizualną, muzykę, odgłosy otoczenia oraz interaktywną mowę postaci. Według Google DeepMind wszystkie dźwięki prezentowane w demonstracjach powstały bezpośrednio w Genie 4, a nie w oddzielnym narzędziu do syntezy audio.
Model korzysta z możliwości rodziny Gemini. Gemini Omni odpowiada za powiązanie wyglądu i zachowania symulacji z realnym światem, natomiast pozostałe modele Gemini dostarczają rozumowanie potrzebne do zachowania ciągłości. Po rozpoczęciu zdarzenia system symuluje kolejne skutki, w tym reakcje otoczenia, ruch ludzi, ich wypowiedzi i zmiany dźwięku.
Google DeepMind przedstawia modele świata jako element prac nad ogólną sztuczną inteligencją, czyli AGI. Symulacje mają tworzyć bezpieczne i różnorodne środowiska treningowe dla robotów oraz agentów, ale mogą też służyć do budowania interaktywnych doświadczeń. Firma nie podała parametrów technicznych modelu, wymagań obliczeniowych ani maksymalnej długości stabilnej sesji.
Sterowanie sceną odbywa się w języku naturalnym
W demonstracjach użytkownicy poruszali się i kontrolowali kamerę za pomocą standardowej klawiatury. Polecenia tekstowe pozwalały jednocześnie zmieniać pogodę, przesuwać kamerę oraz dodawać ludzi i obiekty. Gemini dopasowywał instrukcje do istniejącej sceny, a pomiędzy kolejnymi poleceniami monitorował jej przebieg i korygował go tak, aby zachować spójność.
- Obraz i ruch: Genie 4 zwiększa fotorealizm, płynność animacji oraz ciągłość przestrzeni podczas przemieszczania kamery.
- Fizyka: model symuluje między innymi aerodynamikę, kolizje i ruch obiektów w odpowiedzi na zdarzenia.
- Ludzie: generowane postacie poruszają się, reagują na otoczenie i mogą być sterowane w czasie rzeczywistym.
- Dźwięk i dialog: otoczenie otrzymuje własną warstwę audio, a wypowiedzi postaci dostosowują się do działań użytkownika.
Prompty użyte w pokazach szczegółowo określały pierwszy kadr, materiały, oświetlenie, perspektywę i zachowanie kamery. Jedna scena przedstawiała muzyka grającego na saksofonie na platformie unoszącej się na jeziorze. Inne polecenia wymagały zachowania świata zbudowanego wyłącznie z witrażowego szkła albo stałej perspektywy pierwszoosobowej podczas lotu na smoku z prędkością 140 km/h.
Tak szczegółowe instrukcje pokazują, że sterowanie nie ogranicza się do ogólnego opisu obrazu. Użytkownik może narzucić reguły dotyczące materiałów, pracy kamery, fizycznej wiarygodności ruchu oraz źródeł dźwięku. Model ma utrzymywać te warunki podczas swobodnej eksploracji, choć Google DeepMind przyznaje, że w dłuższych sesjach nie zawsze zachowuje pełną spójność.
Gemini planuje zdarzenia i sprawdza kolejne kroki
Google DeepMind połączył Genie 4 z Gemini 3.8 Flash, który pełni funkcję agenta prowadzącego symulację. Gdy Genie generuje świat, Gemini obserwuje kolejne klatki, dzieli cel na etapy i sprawdza, czy każdy z nich zakończył się powodzeniem. Jeśli użytkownik zmieni sytuację albo środowisko rozwinie się w inny sposób, agent aktualizuje plan w trakcie działania.
Taka pętla ma zapewniać związki przyczynowe, zachowania proceduralne i obsługę zadań wieloetapowych. W materiale pokazano między innymi symulację robota Universal Robots UR5, który trzyma pipetę i dozuje ciecz do płytki laboratoryjnej. Jest to jednak demonstracja możliwości badawczych, a nie opis zweryfikowanego wdrożenia przemysłowego.
Firma eksperymentuje również z połączeniem Gemini 4 Argon, Genie 4 i Gemini Robotics. Argon rozkłada polecenie użytkownika na kroki, które trafiają do Genie jako kolejne instrukcje tekstowe podczas renderowania. Przykładem jest symulacja humanoida Apollo firmy Apptronik grającego w warcaby. System planował kolejne czynności równolegle z generowaniem sceny.
Docelowym kierunkiem są hybrydowe modele świata. Gemini ma odpowiadać za logiczną strukturę, plan i przebieg zdarzeń, a Genie za ich sensoryczną reprezentację na poziomie obrazu i dźwięku. Google DeepMind zakłada, że połączenie obu warstw zwiększy kontrolę nad symulacją i pozwoli lepiej utrzymać jej spójność.
Testerzy sprawdzają model w kilku branżach
Genie 4 trafił do zaufanych testerów z branż kreatywnych, dziennikarstwa, edukacji, gier i inżynierii. Filmowcy wykorzystują model jako szybki szkic do prewizualizacji. Mogą wejść do symulowanej sceny, zmieniać ustawienie kamery, oświetlenie, dialog i przebieg akcji, a następnie porównywać kolejne wersje bez wcześniejszego przygotowania kompletnego planu zdjęciowego.
Fotoreporterzy badają możliwość przekształcenia pojedynczej fotografii archiwalnej 2D w dynamiczne środowisko. Testy obejmują odtwarzanie historycznych miejsc oraz wizualizowanie krótkotrwałych zdarzeń środowiskowych, takich jak gwałtowna powódź lub pożar. Materiał nie opisuje metod sprawdzania historycznej zgodności takich symulacji ani źródeł, na których model opiera brakujące elementy sceny.
Twórcy gier i interaktywnych doświadczeń używają Genie 4 do przygotowania eksplorowalnego prototypu przed napisaniem kodu silnika. Sprawdzają w ten sposób style wizualne, materiały i mechaniki sterowane językiem naturalnym. Partnerzy biznesowi oceniają natomiast przydatność narzędzia do szybkiego tworzenia scenariuszy symulacyjnych i identyfikują obszary wymagające poprawy.
Dla firm w Polsce potencjalnym zastosowaniem może być wstępne projektowanie środowisk szkoleniowych i scenariuszy dla robotów lub agentów. Źródło nie zawiera jednak wyników produkcyjnych, danych o skuteczności ani kalkulacji kosztów, dlatego na tym etapie nie da się ocenić opłacalności takiego wdrożenia.
Dostęp pozostaje ograniczony, a symulacje mają błędy
Genie 4 pozostaje wczesnym i eksperymentalnym modelem. Potrafi utrzymać spójne środowisko podczas krótkich sesji, ale szczegóły wizualne oraz obecność obiektów mogą zmieniać się z czasem. Ryzyko rośnie przy dłuższej symulacji, po wielu złożonych modyfikacjach promptu oraz podczas intensywnego przemieszczania się po wygenerowanej przestrzeni.
Do nierozwiązanych problemów należą złożone interakcje fizyczne, dokładność dźwięku generowanego na żywo, czytelne odwzorowanie tekstu, precyzja przestrzenna i długoterminowa ciągłość. Ograniczenia te mają bezpośrednie znaczenie w zastosowaniach inżynieryjnych, gdzie błędna fizyka lub zmiana położenia obiektu może wpłynąć na ocenę działania robota albo agenta.
Google DeepMind wdrożył zabezpieczenia zgodne z politykami stosowanymi w innych modelach i przeprowadził wewnętrzne testy bezpieczeństwa przed uruchomieniem wersji badawczej. Każdy materiał wideo i audio wygenerowany przez Genie 4 ma zawierać SynthID, niewidoczny cyfrowy znak wodny służący do rozpoznawania treści utworzonych przez AI.
Obecnie dostęp otrzymują zaufani testerzy. W następnej kolejności model ma trafić do subskrybentów Google AI Ultra w Project Genie oraz partnerów z wczesnym dostępem do Gemini API i Google AI Studio. Google DeepMind nie podał dokładnego terminu szerszej premiery, ceny, limitów użycia ani warunków dostępu przez API.
