Genie 4: el món simulat ja té veu

Un món que es genera mentre el recorres

Genie 4 és el successor de Genie 3, que Google DeepMind va presentar l'agost de 2025. Segons l'empresa, la idea de fons és engegar un esdeveniment i deixar que el model simuli el que ve després: com respon el món, com sona i com es mouen, reaccionen i parlen les persones que hi ha.

Per aconseguir-ho es basa en Gemini, la família de models d'IA de Google. Segons Google DeepMind, Gemini Omni ancora les simulacions en l'aspecte i el comportament del món real, i altres models Gemini aporten el raonament que manté la continuïtat de l'escena.

Segons Google DeepMind, entendre i simular el món és un pas clau cap a la intel·ligència artificial general (AGI, artificial general intelligence), i aquestes simulacions poden servir per entrenar robots i agents d'IA o per crear noves experiències interactives.

El so surt del mateix model

És la gran novetat respecte de Genie 3. Segons Google DeepMind, Genie 4 és el seu primer model del món en temps real que genera àudio de forma nativa, i cada món porta el so ambiental del seu propi escenari, «del vent entre els arbres a les onades que trenquen a la platja».

El pas més ambiciós, segons l'empresa, és la parla humana. Google DeepMind afirma que Genie 4 introdueix un diàleg interactiu que s'adapta sobre la marxa: els personatges conversen i reaccionen al que fa l'usuari o al que passa al món, tot en temps real.

Persones més naturals i una física més creïble

Segons Google DeepMind, Genie 4 simula millor la física del món real, amb escenaris d'aerodinàmica i col·lisions. Entre els exemples que publica l'empresa hi ha una llavor d'auró que cau de l'arbre a l'herba i una síndria sobre un pedestal de pedra en un pati assolellat.

Però el canvi que l'empresa destaca per sobre de tots és en les persones. «El salt més espectacular és com Genie 4 simula les persones», escriu Google DeepMind: personatges que es mouen amb naturalitat, responen al seu entorn i es poden dirigir en temps real, com els viatgers que omplen de gom a gom una estació rural japonesa dels anys vuitanta en un altre dels seus exemples.

Gemini porta el volant

Segons Google DeepMind, l'usuari recorre el món i mou la càmera amb el teclat, i amb text canvia l'escena en temps real: el temps atmosfèric, l'enquadrament o l'aparició d'una persona o d'un objecte nous. Gemini adapta cada instrucció al context i, entre una ordre i una altra, vigila que el món avanci amb coherència.

Per sota treballa Gemini 3.8 Flash com a agent guia dins del bucle («guiding agent in the loop», en paraules de l'empresa). Segons Google DeepMind, mentre Genie 4 genera el món, Gemini observa l'escena, divideix els objectius en una seqüència de passos i revisa els fotogrames que arriben per comprovar que cada pas s'ha complert; si el món canvia o l'usuari intervé, ajusta el pla.

Google DeepMind també l'ha combinat amb Gemini 4 Argon. En un exemple de l'empresa, Argon descompon una tasca en passos i els passa a Genie 4 com a text mentre es genera la simulació del robot humanoide Apollo jugant a dames. Segons Google DeepMind, l'objectiu és provar com actuen els sistemes d'IA abans de portar-los al món real.

La coherència dura poc

La mateixa Google DeepMind descriu Genie 4 com un model primerenc i experimental. Segons l'empresa, manté entorns coherents en sessions curtes, però els detalls visuals i la permanència dels objectes poden desviar-se amb el temps, sobretot com més dura la simulació, després de diverses edicions complexes de la instrucció o en desplaçar-se per l'escena.

Segons Ars Technica, la mateixa Google DeepMind adverteix que els mons de Genie 4 només es mantenen coherents «un parell de minuts» abans d'oblidar com van començar. És la durada que la presentació de l'empresa no concreta.

A més, segons l'empresa, queden pendents les interaccions físiques complexes, el text llegible, la precisió espacial i la coherència a llarg termini.

Segons Google DeepMind, el model va superar avaluacions internes de seguretat abans d'aquesta vista prèvia, i tot el vídeo i l'àudio que genera porten SynthID, la marca d'aigua digital imperceptible de Google.

Per a què el fan servir els primers testers

Segons Google DeepMind, el proven grups de testers de confiança (trusted testers) de les indústries creatives, el periodisme, l'educació, els videojocs i l'enginyeria.

Segons l'empresa, els creatius el fan servir com un «mode esborrany» per previsualitzar: un cineasta pot entrar en una simulació en directe d'una escena i rodar diverses preses, canviant l'angle, la llum, el diàleg i l'acció sobre la marxa. També l'exploren fotoperiodistes, que converteixen una fotografia d'arxiu en una simulació del lloc, i desenvolupadors de videojocs, que passen d'una idea a un prototip explorable.

Qui el pot provar i quan

De moment, Genie 4 és una vista prèvia de recerca (research preview) per a testers de confiança. Segons Google DeepMind, després arribarà als subscriptors de Google AI Ultra, dins de Project Genie, i als socis d'accés anticipat de l'API de Gemini i de Google AI Studio, les vies de Google per a desenvolupadors. Hi ha llista d'espera.

Segons Ars Technica, Google AI Ultra agrupa els plans d'IA més cars de Google, des de 100 $ al mes, i no hi ha calendari concret ni preu per a l'API. El mateix mitjà recorda que Genie 3 no va passar mai de Project Genie, una experiència web molt limitada.