Google DeepMind lancerer verdensmodellen Genie 4 som research preview

Google DeepMind annoncerede Genie 4, sin nye verdensmodel til interaktiv simulering i realtid, den 27. oktober 2026. Modellen blev lanceret som research preview for betroede testere.

Meddelelsen, der er skrevet af Raia Hadsell, Diego Rivas og Hang Qi, beskriver Genie 4 som multimodal fra grunden: Musik, omgivende lyde og interaktiv dialog genereres samtidig med den simulerede verden. DeepMind siger, at modellen »muliggør hidtil uset realisme og forbedrer interaktiv simulering i realtid«, og at den leverer mere fotorealistiske billeder, flydende bevægelser og indbygget lyd. Lyden i demonstrationerne genereres direkte af modellen.

Modellen indarbejder og bygger videre på funktioner fra Gemini-familien. Gemini Omni forankrer simuleringerne i virkelighedens udseende og adfærd, mens andre Gemini-modeller bidrager med den komplekse ræsonnering, der er nødvendig for at bevare simuleringens sammenhæng og kontinuitet. Med dette grundlag kan brugeren sætte en begivenhed i gang, hvorefter Genie 4 simulerer, hvad der sker: hvordan verden reagerer og lyder, og hvordan personerne i den bevæger sig, reagerer og taler.

DeepMind beskriver forståelse og simulering af verden som et afgørende aspekt af udviklingen af AGI. Ifølge virksomheden videreudvikler Genie 4 dens evne til at skabe sikre simuleringer med uendelig variation, som kan bruges til træningsmiljøer for robotter og agenter samt til at skabe nye interaktive oplevelser.

Fire funktionsområder

DeepMinds demonstrationer er optagelser af interaktioner i realtid, hvor brugere navigerer rundt i verdener med almindelige tastaturbetjeninger og et kamera og styrer scenen med tekstprompter, mens den udvikler sig. Den første dokumenterede funktion er styring i realtid: Brugeren kan ændre en igangværende simulering med naturligt sprog, for eksempel ændre vejret, flytte kameraet eller tilføje en ny person eller genstand. Gemini tilpasser prompten kontekstuelt, så den passer til den omgivende scene. Mellem brugerens input overvåger og styrer Gemini også scenen, så verden udvikler sig sammenhængende.

Hvad angår fysik og menneskelige handlinger, siger DeepMind, at Genie 4 sætter en ny standard for realisme i interaktiv simulering i realtid ved at modellere fysiske fænomener fra den virkelige verden, såsom aerodynamik og sammenstød. Virksomheden beskriver simuleringen af mennesker som det største fremskridt: Figurerne bevæger sig naturligt, reagerer spontant på deres omgivelser og kan styres interaktivt i realtid.

DeepMind beskriver Genie 4 som virksomhedens første verdensmodel i realtid, der genererer lyd direkte. Hver verden har de omgivende lyde, der hører til dens miljø, fra vinden i træerne til bølger, der slår ind mod stranden. Modellen introducerer også interaktiv dialog, der tilpasser sig undervejs: Figurerne taler sammen og reagerer i realtid på brugerens input eller begivenheder i verden.

Ved komplekse begivenheder med flere trin fungerer Gemini 3.8 Flash som en styrende agent i feedbacksløjfen. Mens Genie 4 genererer en verden i realtid, observerer Gemini løbende scenen, opdeler målene i en række trin og gennemgår de indkommende billeder for at kontrollere, om hvert trin er lykkedes. Gemini tilpasser sin plan, efterhånden som verden ændrer sig, eller brugeren griber ind. DeepMind siger, at dette muliggør verdener med pålidelig årsagssammenhæng, procedurebaseret adfærd og ræsonnering i flere trin.

Virksomheden har også eksperimenteret med Gemini 4 Argon og Genie 4 sammen med Gemini Robotics. I et dokumenteret eksempel opdeler Argon en opgave, som brugeren har beskrevet, i trin, der vises som tekstbilledtekster, mens simuleringen gengives. De to systemer simulerer Apptroniks humanoide Apollo-robot, der spiller dam, og simuleringen tilpasser sig, efterhånden som opgaven nærmer sig sin afslutning.

Betroede testere og fremtidigt arbejde

DeepMind betegner Genie 4 som en vigtig forskningsmilepæl, men understreger, at modellen stadig er på et tidligt, eksperimentelt stadie. Virksomheden har arbejdet med grupper af betroede testere inden for kreative brancher, journalistik, uddannelse, spil og ingeniørfag. Ifølge virksomheden afprøver filmskabere Genie 4 som en hurtig »kladde-tilstand« til prævisualisering og idéudvikling. De træder ind i en levende simulering af en scene og laver flere optagelser i realtid, mens de justerer kameravinkler, lys, dialog og handling. Pressefotografer undersøger, hvordan et enkelt arkivfoto i 2D på få sekunder kan blive til en forankret simulering af det pågældende miljø. Hold afprøver også, hvordan befolkede, dynamiske verdener kan hjælpe publikum med at opleve historiske steder eller visualisere, hvordan kortvarige miljøhændelser som pludselige oversvømmelser eller skovbrande udvikler sig.

Spiludviklere og kreative teknologer undersøger, om de på få sekunder kan gå fra en indledende idé til en prototype, man kan udforske. De afprøver visuelle stilarter, materialers æstetik og interaktive mekanikker ved hjælp af instruktioner i naturligt sprog, inden de skriver kode til spilmotoren. Erhvervspartnere vurderer Genie 4 som et værktøj til hurtigt at generere scenarier fra nul til én og identificerer mangler, som DeepMind kan afhjælpe for bedre at imødekomme behovene inden for simulering.

Når DeepMind ser fremad, peger virksomheden på hybride verdensmodeller som en lovende vej til fremtidige fremskridt: systemer, der kombinerer den logiske, strukturerede ræsonnering fra kode- og sprogmodeller med den rige, sanselige repræsentation i simulering på pixelniveau. I denne tilgang kortlægger Gemini strukturen og planlægger fortællingens tidslinje i baggrunden, mens Genie skaber den umiddelbare fysiske virkelighed og gengiver, hvordan verden ser ud, lyder og reagerer, pixel for pixel.

Sikkerhed, begrænsninger og tilgængelighed

DeepMind oplyser, at Genie 4 har strenge sikkerhedsforanstaltninger, der er i tråd med virksomhedens sikkerhedspolitikker for dens øvrige modeller, og at modellen gennemgik interne sikkerhedsevalueringer inden forhåndsvisningen for at forhindre generering af skadeligt eller ondsindet indhold. Virksomheden siger, at den med vilje først gjorde Genie 4 tilgængelig for betroede testpartnere for at indsamle tidlig feedback. Alle videoer og lydoptagelser, der genereres af Genie 4, vil indeholde SynthID, DeepMinds usynlige digitale vandmærkningsteknologi, som bruges til at identificere AI-genereret indhold på tværs af visuelle og lydmæssige modaliteter.

Hvad angår begrænsninger, oplyser DeepMind, at Genie 4 kan opretholde sammenhængende miljøer i korte sessioner, men at visuelle detaljer og objekters vedvarende tilstedeværelse stadig kan ændre sig eller skride over tid, især når en simulering kører længere, efter flere komplekse promptredigeringer eller ved navigation rundt i en scene. Komplekse fysiske interaktioner, præcisionen af lyd i realtid, gengivelse af læselig tekst, rumlig nøjagtighed og langsigtet konsistens er fortsat aktive forskningsområder.

Genie 4 afløser Genie 3, som DeepMind annoncerede den 5. august 2025 og beskrev som virksomhedens første verdensmodel, der muliggjorde interaktion i realtid. Genie 3 genererede dynamiske verdener, som brugerne kunne navigere rundt i med 24 billeder i sekundet, og som bevarede konsistensen i nogle få minutter ved en opløsning på 720p. Modellen blev udgivet som en begrænset forskningsforhåndsvisning til en lille gruppe akademikere og indholdsskabere.

DeepMind oplyser, at Genie 4 snart bliver tilgængelig for Google AI Ultra-abonnenter i Project Genie og for partnere med tidlig adgang via Gemini API og Google AI Studio, og at ventelisten til Genie 4 i Project Genie er åben.