Genie 4 od Google DeepMind: świat generowany w czasie rzeczywistym, z dźwiękiem i dialogami

Google DeepMind przedstawił Genie 4, następcę modelu Genie 3 z sierpnia 2025 roku. Firma zapowiada „bezprecedensowy realizm” i lepszą symulację interaktywną w czasie rzeczywistym. Jak opisuje The Decoder, największa nowość to dźwięk generowany bezpośrednio przez model oraz rozmawiające postacie.

Genie nie tworzy gotowych filmów. Model oblicza scenę klatka po klatce i reaguje na bieżące polecenia: użytkownik porusza się po niej klawiaturą, a wydarzeniami steruje promptami tekstowymi. Według publikacji DeepMind z 2025 roku Genie 3 działał w rozdzielczości 720p przy 24 klatkach na sekundę i utrzymywał spójność świata przez kilka minut.

Dźwięk, dialogi i ludzie

Według DeepMind Genie 4 to pierwszy model świata tej firmy działający w czasie rzeczywistym, który sam generuje dźwięk. Każdy świat dostaje własne tło audio, na przykład szum wiatru w drzewach. Postacie mają rozmawiać ze sobą i reagować na działania użytkownika lub zdarzenia w scenie. Firma uważa, że największy skok realizmu dotyczy ludzi. Mają poruszać się naturalnie, reagować na otoczenie i dawać się bezpośrednio kontrolować. DeepMind twierdzi, że Genie 4 korzysta z możliwości modelu wideo Gemini Omni.

Gemini jako reżyser w tle

Najciekawsza jest architektura. Modele Gemini planują, co ma się wydarzyć w symulacji, i dbają o jej spójność. Gdy użytkownik zmienia pogodę promptem, Gemini dostosowuje to polecenie do trwającej sceny. Model ma też sterować światem między kolejnymi komendami, żeby rozwijał się sensownie.

DeepMind tłumaczy to na przykładzie zadań wieloetapowych. Gemini 3.8 Flash stale obserwuje scenę, dzieli cel na kroki i po nowych klatkach sprawdza, czy dany krok się udał. Jeśli świat się zmieni albo wkroczy użytkownik, model koryguje plan. Tytuł The Decodera wskazuje, że to współczesna wersja układów agentowych znanych sprzed ery dużych modeli językowych.

DeepMind testuje też połączenie z badaniami nad robotyką w ramach Gemini Robotics. W jednej z demonstracji model Gemini 4 Argon rozbija grę w warcaby na kroki. Genie 4 dostaje je jako instrukcje tekstowe i symuluje, jak humanoidalny robot Apollo firmy Apptronik gra w tę grę. Żaden prawdziwy robot w tym nie uczestniczy.

Wczesny model z wyraźnymi ograniczeniami

DeepMind sam nazywa Genie 4 wczesnym, eksperymentalnym modelem. W krótkich sesjach świat pozostaje spójny, ale w dłuższych symulacjach lub po kilku złożonych zmianach promptów detale wizualne mogą się przesuwać, a obiekty nie zawsze zostają na miejscu. Firma przyznaje, że wciąż pracuje nad złożonymi interakcjami fizycznymi, dokładnym dźwiękiem w czasie rzeczywistym i czytelnym tekstem.

Na razie model jest dostępny jako podgląd badawczy dla wybranych testerów. Wkrótce ma trafić do subskrybentów Google AI Ultra w aplikacji Project Genie oraz do partnerów z wczesnym dostępem do Gemini API i Google AI Studio. Wszystkie wideo i ścieżki audio mają nosić znak wodny SynthID, który niewidocznie oznacza treści wygenerowane przez AI. Premierę opisał także TechCrunch.

DeepMind podkreśla, że gdy modele świata dojrzeją, mogą stać się środowiskami treningowymi, w których roboty i agenci AI uczą się na symulowanym doświadczeniu, a nie tylko na danych. Połączenie Gemini z Genie firma uznaje za wczesny krok w stronę hybrydowych modeli świata, które łączą rozumowanie modeli językowych i kodowych z symulacją na poziomie pikseli.