Google DeepMind、よりリアルでインタラクティブな世界を実現する研究プレビュー「Genie 4」を公開

このシステムにより、ユーザーは動的な環境を生成し、その中を移動しながら、シーンをその場で操作することができる。一方でモデルは、物理法則、キャラクターの挙動、サウンドスケープを同時に計算する。AlphabetおよびGoogleのCEOであるサンダー・ピチャイは、Genie 4を「我々の最もリアルでインタラクティブな世界モデル」と評した。

Google DeepMindは、人工知能に特化した英米の研究ラボであり、Alphabet Inc.の子会社である。2010年に英国で設立され、2014年にGoogleに買収された後、2023年4月にGoogle AIのGoogle Brain部門と統合しGoogle DeepMindとなった。本社はロンドンにあり、米国、カナダ、フランス、ドイツ、スイスに研究センターを有する。

リアルタイム操作と、画像と同時生成されるサウンド

Googleによれば、ユーザーは標準的なキーボードコマンドでシミュレートされた環境を探索し、プレーンテキストによる簡単なプロンプトで世界を変更できる。天候を変えたり、カメラアングルを調整したり、新しいキャラクターやオブジェクトを導入したりすることが可能だ。Googleはまた、Genie 4は空気力学、衝突、環境抵抗などの複雑な相互作用において物理的な精度が大幅に向上しており、デジタルキャラクターがコマンドに即座に移動・反応すると説明している。

GoogleはGenie 4を、画像表示と同期したサウンドをネイティブでリアルタイム生成できる初の世界モデルと位置付けている。木々を渡る風の音や波の打ち寄せる音などの状況に応じた環境音や、バックグラウンドミュージックを生成する。また、インタラクティブな音声対話も処理し、キャラクターは会話し、ユーザーの要求や環境イベントに応答する。

Geminiファミリーを基盤とするモデル

Genie 4は単独のグラフィックスエンジンではない。Geminiファミリーのマルチモーダル推論能力に依存している。Gemini Omniは各シミュレーションを、現実世界に由来する外観と物理的ダイナミクスに基づいて構築し、Geminiの推論モデルはシーンの論理を維持し、イベントが因果関係の一貫性を保つようにする。Gemini 3.8 Flashモデルはエージェントとして機能し、入力される画像を追跡し、目標を段階に分割し、各アクションが完了することを確認し、シーン内の変化やユーザーの介入が発生するとすぐに計画を適応させる。

Googleは、この組み合わせにより複数段階の複雑なイベントをモデル化し、AIシステムの挙動を現実世界に展開する前に様々な環境でテストできると強調する。同社はまた、「世界を理解しシミュレートすることは、汎用人工知能（AGI）を構築する上で極めて重要な側面である」と述べている。

初期段階の実験的な初期フィードバック

Googleによれば、Genie 4は依然として初期段階の実験的モデルである。展開はまず、GenieプロジェクトにおけるGoogle AI Ultraの加入者、およびGemini APIとGoogle AI Studioへの早期アクセス権を持つパートナーを対象とする。Googleは、クリエイティブ、ジャーナリズム、教育、ゲーム、エンジニアリング分野のテスターと協力してきた。例えば、映画製作者は同じシーンの複数のテイクをリアルタイムで撮影でき、フォトジャーナリストは2Dのアーカイブ写真がその環境のリアルなシミュレーションにどのように変化するかを探ることができる。他のチームは、突然の洪水や森林火災などの短期的な環境イベントの可視化を検討している。

このモデルは、Alphabet子会社の自動運転分野での取り組みにも位置付けられる。2026年2月、Alphabet傘下のWaymoは、Genie 3の能力を基にテキストプロンプトから仮想環境を構築するモデル「Waymo World」を発表した。このシステムは、車両に搭載されたカメラやLiDARセンサーに匹敵する、合成運転画像および深度知覚データを生成した。