Google DeepMind ha presentado Genie 4, un modelo de IA que ofrece una simulación interactiva en tiempo real de un mundo real, con sonido nativo y mayor realismo. El despliegue comenzó en forma de vista previa de búsqueda para evaluadores de confianza.
El sistema permite a los usuarios generar entornos dinámicos y desplazarse por ellos, pilotando las escenas al instante. Mientras tanto, el modelo calcula simultáneamente la física, el comportamiento de los personajes y los paisajes sonoros. Sundar Pichai, CEO de Alphabet y Google, calificó a Genie 4 como « nuestro modelo de mundo más realista e interactivo ».
Google DeepMind, laboratorio de investigación angloamericano especializado en inteligencia artificial, es una filial de Alphabet Inc. Fundado en Reino Unido en 2010, fue adquirido por Google en 2014 y luego se fusionó con la división Google Brain de Google AI para convertirse en Google DeepMind en abril de 2023. Su sede está en Londres y la empresa cuenta con centros de investigación en Estados Unidos, Canadá, Francia, Alemania y Suiza.
Un pilotaje en tiempo real y un sonido generado simultáneamente con la imagen
Según Google, los usuarios pueden explorar los entornos simulados usando los controles estándar del teclado y modificar el universo mediante simples indicaciones en texto plano. Así pueden cambiar el clima, ajustar los ángulos de cámara o introducir nuevos personajes y objetos. Google también indica que Genie 4 representa un salto significativo en precisión física, con interacciones complejas como aerodinámica, colisiones o resistencia ambiental, y que los personajes digitales se mueven y reaccionan inmediatamente a los comandos.
Google presenta a Genie 4 como el primer modelo de mundo en tiempo real capaz de generar sonido sincronizado de forma nativa, conforme se muestran las imágenes. Produce ambientes contextuales, como el susurro del viento en los árboles o el rompimiento de las olas, así como música de fondo. También maneja diálogos hablados interactivos: los personajes conversan y responden a las solicitudes del usuario y a los eventos del entorno.
Un modelo respaldado por la familia Gemini
Genie 4 no es un motor gráfico autónomo. Se apoya en las capacidades de razonamiento multimodal de la familia Gemini. Gemini Omni ancla cada simulación en una apariencia y dinámica física derivadas del mundo real, mientras que los modelos de razonamiento Gemini preservan la lógica de la escena para que los eventos mantengan coherencia de causa y efecto. El modelo Gemini 3.8 Flash actúa como agente de pilotaje: sigue las imágenes entrantes, divide los objetivos en etapas, verifica que cada acción se complete y adapta el plan cuando ocurre un cambio en la escena o interviene un usuario.
Google destaca que esta asociación permite modelar eventos complejos en múltiples etapas y probar el comportamiento de sistemas de IA en diferentes entornos antes de desplegarlos en el mundo real. La empresa también recuerda que « comprender y simular el mundo es un aspecto crucial para construir una IA general (AGI) ».
Primeras reacciones aún experimentales
Genie 4 sigue siendo, según Google, un modelo experimental en una etapa temprana. El despliegue está dirigido primero a suscriptores de Google AI Ultra dentro del proyecto Genie, así como a socios con acceso anticipado a la API Gemini y a Google AI Studio. Google ha trabajado con evaluadores de los ámbitos de la creación, el periodismo, la educación, los videojuegos y la ingeniería. Por ejemplo, cineastas pueden realizar varias tomas de una misma escena en tiempo real, mientras que fotoperiodistas exploran cómo una fotografía de archivo en 2D puede convertirse en una simulación realista de su entorno. Otros equipos examinan la visualización de eventos ambientales de corta duración, como una crecida repentina o un incendio forestal.
El modelo también forma parte de los trabajos de la filial de Alphabet dedicada a la conducción autónoma. En febrero de 2026, la empresa Waymo, propiedad de Alphabet, presentó Waymo World, un modelo que se apoyaba en las capacidades de Genie 3 para construir entornos virtuales a partir de indicaciones textuales. Este sistema generaba imágenes de conducción sintéticas así como datos de percepción de profundidad, comparables a los de cámaras y sensores lidar montados en vehículos.
