Google DeepMind revelou Genie 4, um modelo de IA que oferece uma simulação interativa em tempo real de um mundo real, com som nativo e realismo acrescido. A implementação começou sob a forma de uma pré-visualização de pesquisa junto de testadores de confiança.
O sistema permite aos utilizadores gerar ambientes dinâmicos e movimentar-se neles, pilotando as cenas em tempo real. Entretanto, o modelo calcula simultaneamente a física, o comportamento das personagens e as paisagens sonoras. Sundar Pichai, CEO da Alphabet e da Google, classificou o Genie 4 como « o nosso modelo de mundo mais realista e interativo ».
Google DeepMind, laboratório de pesquisa anglo-americano especializado em inteligência artificial, é uma subsidiária da Alphabet Inc. Fundado no Reino Unido em 2010, foi adquirido pela Google em 2014, tendo depois fundido com a divisão Google Brain da Google AI para se tornar Google DeepMind em abril de 2023. A sua sede é em Londres, e a empresa dispõe de centros de pesquisa nos Estados Unidos, no Canadá, em França, na Alemanha e na Suíça.
Uma pilotagem em tempo real e um som gerado em simultâneo com a imagem
Segundo a Google, os utilizadores podem explorar os ambientes simulados através dos comandos de teclado padrão e modificar o universo através de simples instruções em texto simples. Podem assim alterar o tempo, ajustar os ângulos de câmara ou introduzir novas personagens e objetos. A Google indica também que o Genie 4 representa um salto significativo em termos de precisão física, com interações complexas como a aerodinâmica, as colisões ou a resistência do ambiente, e que as personagens digitais se movimentam e reagem imediatamente aos comandos.
A Google apresenta o Genie 4 como o primeiro modelo de mundo em tempo real capaz de gerar nativamente som sincronizado, à medida que as imagens são exibidas. Produz ambiências contextuais, como o sopro do vento nas árvores ou o rebentar das ondas, assim como música de fundo. Também gere diálogos falados interativos: as personagens conversam e respondem aos pedidos do utilizador e aos eventos do ambiente.
Um modelo apoiado na família Gemini
O Genie 4 não é um motor gráfico autónomo. Apoia-se nas capacidades de raciocínio multimodal da família Gemini. O Gemini Omni ancora cada simulação numa aparência e numa dinâmica física provenientes do mundo real, enquanto os modelos de raciocínio Gemini preservam a lógica da cena, para que os eventos mantenham uma coerência de causa e efeito. O modelo Gemini 3.8 Flash desempenha o papel de agente de pilotagem: segue as imagens recebidas, decompõe os objetivos em etapas, verifica que cada ação tem sucesso e adapta o plano assim que uma mudança ocorre na cena ou que um utilizador intervém.
A Google sublinha que esta associação permite modelar eventos complexos em várias etapas, e testar o comportamento de sistemas de IA em diferentes ambientes antes de os implementar no mundo real. A empresa recorda também que « compreender e simular o mundo é um aspeto crucial da construção de uma IA geral (AGI) ».
Primeiros retornos ainda experimentais
O Genie 4 mantém-se, segundo a Google, um modelo experimental numa fase precoce. A implementação diz respeito primeiro aos subscritores do Google AI Ultra no âmbito do projeto Genie, assim como a parceiros com acesso antecipado à API Gemini e ao Google AI Studio. A Google trabalhou com testadores provenientes da criação, do jornalismo, da educação, dos videojogos e da engenharia. Os cineastas podem, por exemplo, realizar várias tomadas da mesma cena em tempo real, enquanto fotojornalistas exploram como uma fotografia de arquivo em 2D pode tornar-se uma simulação realista do seu ambiente. Outras equipas examinam a visualização de eventos ambientais de curta duração, como uma cheia súbita ou um incêndio florestal.
O modelo insere-se também nos trabalhos da subsidiária da Alphabet dedicada à condução autónoma. Em fevereiro de 2026, a empresa Waymo, detida pela Alphabet, tinha apresentado o Waymo World, um modelo que se apoiava nas capacidades do Genie 3 para construir ambientes virtuais a partir de instruções textuais. Este sistema gerava imagens de condução sintéticas assim como dados de perceção de profundidade, comparáveis aos de câmaras e de sensores lidar montados em veículos.
