Google DeepMind uvádí model světa Genie 4 ve výzkumné ukázce

Google DeepMind oznámila Genie 4, svůj nový model světa pro interaktivní simulace v reálném čase, a 27. října 2026 jej zpřístupnila důvěryhodným testerům jako výzkumnou ukázku.

Oznámení, jehož autory jsou Raia Hadsell, Diego Rivas a Hang Qi, popisuje Genie 4 jako nativně multimodální model, který současně se simulovaným světem generuje hudbu, zvuky prostředí a interaktivní dialog. DeepMind uvádí, že model „umožňuje dosud nevídanou míru realismu a zdokonaluje interaktivní simulace v reálném čase“ a přináší vyšší fotorealismus, plynulejší pohyb a nativní zvuk; zvuk doprovázející ukázky vytváří přímo model.

Model přebírá schopnosti rodiny Gemini a dále je rozvíjí. Gemini Omni ukotvuje simulace ve vzhledu a chování skutečného světa, zatímco jiné modely Gemini zajišťují komplexní uvažování potřebné k zachování soudržnosti a návaznosti simulace. Díky tomuto základu může uživatel spustit nějakou událost a Genie 4 nasimuluje, co se stane dál: jak svět zareaguje, jaké zvuky vydá a jak se v něm lidé pohybují, reagují a mluví.

DeepMind označuje porozumění světu a jeho simulování za zásadní aspekt vývoje AGI. Společnost uvádí, že Genie 4 rozšiřuje její schopnost vytvářet bezpečné simulace s nekonečnou variabilitou, které mohou sloužit jako tréninková prostředí pro roboty a agenty i k vytváření nových interaktivních zážitků.

Čtyři oblasti schopností

Ukázky DeepMind zachycují interakce v reálném čase, při nichž uživatelé procházejí světy pomocí běžných klávesových ovládacích prvků a kamery a pomocí textových pokynů řídí vyvíjející se scénu. První popsanou schopností je ovládání v reálném čase: uživatel může přirozeným jazykem upravovat probíhající simulaci, měnit počasí, pohybovat kamerou nebo přidávat novou osobu či objekt. Gemini přitom pokyn kontextově přizpůsobuje tak, aby odpovídal okolní scéně. Mezi jednotlivými pokyny Gemini scénu také sleduje a řídí, aby se svět vyvíjel soudržně.

Pokud jde o fyziku a lidské jednání, DeepMind uvádí, že Genie 4 přináší do interaktivních simulací v reálném čase novou úroveň realismu a modeluje fyzikální jevy skutečného světa, například aerodynamiku a srážky. Za největší pokrok společnost označuje simulaci lidí: postavy se pohybují přirozeně, organicky reagují na své prostředí a lze je interaktivně ovládat v reálném čase.

DeepMind popisuje Genie 4 jako svůj první model světa v reálném čase, který nativně generuje zvuk. Každý svět má zvuky prostředí odpovídající danému místu, od větru v korunách stromů až po vlny narážející na pláž. Model přináší také interaktivní dialog, který se průběžně přizpůsobuje: postavy spolu hovoří a reagují na pokyny uživatele nebo události ve světě, a to vše v reálném čase.

U složitých událostí zahrnujících více kroků působí Gemini 3.8 Flash jako řídicí agent v rámci procesu. Zatímco Genie 4 vytváří svět v reálném čase, Gemini scénu průběžně sleduje, rozděluje cíle na posloupnost kroků a kontroluje příchozí snímky, aby ověřilo, zda byl každý krok úspěšný. Když se svět změní nebo zasáhne uživatel, svůj plán upraví. DeepMind uvádí, že díky tomu lze vytvářet světy se spolehlivou kauzalitou, procedurálním chováním a schopností uvažovat v několika krocích.

Společnost také experimentovala se společným využitím Gemini 4 Argon a Genie 4 ve spojení s Gemini Robotics. V jedné zdokumentované ukázce Argon rozdělí úkol zadaný uživatelem na jednotlivé kroky, které se během vykreslování simulace střídavě zobrazují jako textové popisky. Oba systémy pak simulují, jak humanoidní robot Apollo od společnosti Apptronik hraje dámu; simulace se přitom přizpůsobuje tomu, jak úkol postupuje ke svému dokončení.

Důvěryhodní testeři a další vývoj

DeepMind označuje Genie 4 za významný výzkumný milník, který je však stále raným experimentálním modelem. Společnost spolupracuje se skupinami důvěryhodných testerů v kreativních odvětvích, žurnalistice, vzdělávání, herním průmyslu a strojírenství. Podle společnosti filmaři testují Genie 4 jako rychlý „režim konceptu“ pro předběžnou vizualizaci a hledání nápadů: vstupují do živé simulace scény a v reálném čase pořizují několik záběrů, přičemž upravují úhly kamery, osvětlení, dialogy i dění. Fotožurnalisté zkoumají, jak lze během několika sekund z jediné archivní 2D fotografie vytvořit simulaci daného prostředí ukotvenou ve skutečnosti. Týmy také testují, jak mohou zalidněné a dynamické světy pomoci divákům zažít historická místa nebo si představit průběh krátkodobých přírodních událostí, například přívalových povodní či lesních požárů.

Vývojáři her a kreativní technologové testují, zda dokážou během několika sekund přejít od prvotního nápadu k prototypu, který lze prozkoumávat, a pomocí pokynů v přirozeném jazyce ověřovat vizuální styly, estetiku materiálů a interaktivní mechaniky ještě před psaním kódu herního enginu. Firemní partneři posuzují Genie 4 jako nástroj pro rychlé generování scénářů od nuly a určují, jaké nedostatky by DeepMind mohla odstranit, aby lépe vyhověla potřebám simulací.

Do budoucna DeepMind označuje hybridní modely světa za slibnou cestu k dalšímu pokroku: jde o systémy, které spojují logické, strukturované uvažování kódových a jazykových modelů s bohatou smyslovou reprezentací simulace na úrovni jednotlivých pixelů. V tomto přístupu Gemini v zákulisí mapuje strukturu a plánuje časovou osu příběhu, zatímco Genie vytváří bezprostřední fyzickou realitu a vykresluje pixel po pixelu, jak svět vypadá, zní a reaguje.

Bezpečnost, omezení a dostupnost

DeepMind uvádí, že Genie 4 zahrnuje přísná bezpečnostní opatření v souladu s bezpečnostními zásadami, které společnost uplatňuje u ostatních modelů, a že před zpřístupněním v rámci výzkumného preview model podrobila interním bezpečnostním testům, aby zabránila generování škodlivého či zákeřného obsahu. Společnost říká, že Genie 4 záměrně nejprve zpřístupnila důvěryhodným partnerským testerům, aby získala první zpětnou vazbu. Všechna videa a zvukový obsah vytvořené pomocí Genie 4 budou opatřeny technologií SynthID, nepostřehnutelným digitálním vodoznakem DeepMind, který umožňuje rozpoznat obsah vytvořený umělou inteligencí ve vizuální i zvukové podobě.

Pokud jde o omezení, DeepMind uvádí, že Genie 4 dokáže během krátkých relací udržovat soudržná prostředí, ale vizuální detaily a trvalost objektů se mohou v čase stále měnit nebo posouvat, zejména při delším běhu simulace, po několika složitých úpravách zadání nebo při pohybu po scéně. Složité fyzikální interakce, přesnost zvuku v reálném čase, vykreslování čitelného textu, prostorová přesnost a dlouhodobá konzistence zůstávají aktivními oblastmi probíhajícího výzkumu.

Genie 3 předchází Genie 4. DeepMind Genie 3 oznámila 5. srpna 2025 a popsala jej jako svůj první model světa umožňující interakci v reálném čase. Genie 3 vytvářel dynamické světy, v nichž se uživatelé mohli pohybovat rychlostí 24 snímků za sekundu; konzistenci si udržely několik minut při rozlišení 720p. Model byl zpřístupněn v omezeném výzkumném preview malé skupině akademiků a tvůrců.

DeepMind uvádí, že Genie 4 bude brzy k dispozici předplatitelům Google AI Ultra v Project Genie a partnerům s přednostním přístupem v Gemini API a Google AI Studio. Čekací listina na Genie 4 v Project Genie je otevřena.