Η Google DeepMind παρουσιάζει το μοντέλο κόσμου Genie 4 σε ερευνητική προεπισκόπηση

Η Google DeepMind ανακοίνωσε το Genie 4, το νέο μοντέλο κόσμου της για διαδραστικές προσομοιώσεις σε πραγματικό χρόνο, στις 27 Οκτωβρίου 2026, διαθέτοντάς το ως ερευνητική προεπισκόπηση σε έμπιστους δοκιμαστές.

Η ανακοίνωση, την οποία υπογράφουν οι Raia Hadsell, Diego Rivas και Hang Qi, περιγράφει το Genie 4 ως εγγενώς πολυτροπικό μοντέλο, το οποίο παράγει ταυτόχρονα μουσική, ήχους περιβάλλοντος και διαδραστικούς διαλόγους μαζί με τον προσομοιωμένο κόσμο. Η DeepMind αναφέρει ότι το μοντέλο «ξεκλειδώνει πρωτοφανή ρεαλισμό και βελτιώνει τη διαδραστική προσομοίωση σε πραγματικό χρόνο» και προσφέρει ενισχυμένο φωτορεαλισμό, ομαλή κίνηση και εγγενή ήχο, ενώ ο ήχος που συνοδεύει τις επιδείξεις του παράγεται απευθείας από το μοντέλο.

Το μοντέλο ενσωματώνει και αξιοποιεί περαιτέρω δυνατότητες από την οικογένεια Gemini. Το Gemini Omni προσδίδει στις προσομοιώσεις εμφάνιση και συμπεριφορά που παραπέμπουν στον πραγματικό κόσμο, ενώ άλλα μοντέλα Gemini παρέχουν τη σύνθετη συλλογιστική που απαιτείται για να διατηρείται η συνοχή και η συνέχεια μιας προσομοίωσης. Με αυτή τη βάση, ο χρήστης μπορεί να θέσει ένα συμβάν σε εξέλιξη και το Genie 4 προσομοιώνει τι συμβαίνει στη συνέχεια: πώς αντιδρά ο κόσμος, πώς ακούγεται και πώς κινούνται, αντιδρούν και μιλούν οι άνθρωποι μέσα σε αυτόν.

Η DeepMind περιγράφει την κατανόηση και την προσομοίωση του κόσμου ως κρίσιμη πτυχή της ανάπτυξης της AGI. Η εταιρεία αναφέρει ότι το Genie 4 ενισχύει την ικανότητά της να δημιουργεί ασφαλείς προσομοιώσεις με απεριόριστη ποικιλία, οι οποίες μπορούν να υποστηρίξουν περιβάλλοντα εκπαίδευσης για ρομπότ και πράκτορες, καθώς και τη δημιουργία νέων διαδραστικών εμπειριών.

Τέσσερις τομείς δυνατοτήτων

Οι επιδείξεις της DeepMind είναι καταγραφές αλληλεπιδράσεων σε πραγματικό χρόνο, στις οποίες οι χρήστες περιηγούνται σε κόσμους με τα συνήθη πλήκτρα ελέγχου του πληκτρολογίου και με κάμερα, κατευθύνοντας τη σκηνή με κειμενικές προτροπές καθώς αυτή εξελίσσεται. Η πρώτη δυνατότητα που παρουσιάζεται είναι ο έλεγχος σε πραγματικό χρόνο: ο χρήστης μπορεί να τροποποιήσει μια προσομοίωση που βρίσκεται σε εξέλιξη χρησιμοποιώντας φυσική γλώσσα, αλλάζοντας τον καιρό, μετακινώντας την κάμερα ή προσθέτοντας ένα νέο πρόσωπο ή αντικείμενο, ενώ το Gemini προσαρμόζει την προτροπή με βάση τα συμφραζόμενα, ώστε να ταιριάζει με τη γύρω σκηνή. Ανάμεσα στις εντολές, το Gemini παρακολουθεί και κατευθύνει επίσης τη σκηνή, ώστε ο κόσμος να εξελίσσεται με συνοχή.

Όσον αφορά τη φυσική και την ανθρώπινη δράση, η DeepMind αναφέρει ότι το Genie 4 θέτει ένα νέο πρότυπο ρεαλισμού στις διαδραστικές προσομοιώσεις σε πραγματικό χρόνο, μοντελοποιώντας φυσικά φαινόμενα του πραγματικού κόσμου, όπως η αεροδυναμική και οι συγκρούσεις. Η εταιρεία περιγράφει ως τη μεγαλύτερη πρόοδο την προσομοίωση ανθρώπων: χαρακτήρες που κινούνται φυσικά, αντιδρούν αυθόρμητα στο περιβάλλον τους και μπορούν να κατευθύνονται διαδραστικά σε πραγματικό χρόνο.

Η DeepMind περιγράφει το Genie 4 ως το πρώτο μοντέλο κόσμου της που παράγει εγγενώς ήχο σε πραγματικό χρόνο. Κάθε κόσμος έχει τους χαρακτηριστικούς ήχους του περιβάλλοντός του, από τον άνεμο στα δέντρα έως τα κύματα που σκάνε στην παραλία. Το μοντέλο εισάγει επίσης διαδραστικούς διαλόγους που προσαρμόζονται επιτόπου, με τους χαρακτήρες να συνομιλούν και να αντιδρούν στις εντολές των χρηστών ή στα συμβάντα του κόσμου, όλα σε πραγματικό χρόνο.

Για σύνθετα συμβάντα πολλών βημάτων, το Gemini 3.8 Flash λειτουργεί ως καθοδηγητικός πράκτορας εντός του βρόχου ελέγχου. Καθώς το Genie 4 δημιουργεί έναν κόσμο σε πραγματικό χρόνο, το Gemini παρατηρεί συνεχώς τη σκηνή, αναλύει τους στόχους σε διαδοχικά βήματα και εξετάζει τα εισερχόμενα καρέ για να επαληθεύσει ότι κάθε βήμα ολοκληρώθηκε με επιτυχία, προσαρμόζοντας το σχέδιό του καθώς αλλάζει ο κόσμος ή παρεμβαίνει ο χρήστης. Η DeepMind αναφέρει ότι αυτό επιτρέπει τη δημιουργία κόσμων με αξιόπιστη αιτιότητα, διαδικαστικές συμπεριφορές και συλλογιστική πολλών βημάτων.

Η εταιρεία πειραματίζεται επίσης με το Gemini 4 Argon και το Genie 4 σε συνδυασμό με το Gemini Robotics. Σε ένα τεκμηριωμένο παράδειγμα, το Argon αναλύει μια εργασία που δίνει ο χρήστης σε επιμέρους βήματα, τα οποία εμφανίζονται εναλλάξ ως λεζάντες κειμένου κατά την απόδοση της προσομοίωσης, ενώ τα δύο συστήματα προσομοιώνουν το ανθρωποειδές ρομπότ Apollo της Apptronik να παίζει μια παρτίδα ντάμας. Η προσομοίωση προσαρμόζεται καθώς η εργασία προχωρά προς την ολοκλήρωσή της.

Έμπιστοι δοκιμαστές και μελλοντικές εργασίες

Η DeepMind χαρακτηρίζει το Genie 4 σημαντικό ερευνητικό ορόσημο, επισημαίνοντας παράλληλα ότι παραμένει ένα πρώιμο, πειραματικό μοντέλο. Η εταιρεία συνεργάζεται με ομάδες έμπιστων δοκιμαστών στους κλάδους των δημιουργικών βιομηχανιών, της δημοσιογραφίας, της εκπαίδευσης, των παιχνιδιών και της μηχανικής. Σύμφωνα με την εταιρεία, σκηνοθέτες δοκιμάζουν το Genie 4 ως ταχεία «λειτουργία προσχεδίου» για την προοπτικοποίηση και την ανάπτυξη ιδεών: εισέρχονται σε μια ζωντανή προσομοίωση μιας σκηνής και γυρίζουν πολλές εκδοχές σε πραγματικό χρόνο, προσαρμόζοντας τις γωνίες της κάμερας, τον φωτισμό, τους διαλόγους και τη δράση. Φωτορεπόρτερ διερευνούν πώς μια μεμονωμένη αρχειακή φωτογραφία 2D μπορεί μέσα σε δευτερόλεπτα να μετατραπεί σε προσομοίωση του αντίστοιχου περιβάλλοντος, ενώ ομάδες δοκιμάζουν πώς οι πυκνοκατοικημένοι, δυναμικοί κόσμοι μπορούν να βοηθήσουν το κοινό να βιώσει ιστορικούς χώρους ή να δει πώς εξελίσσονται βραχυπρόθεσμα περιβαλλοντικά φαινόμενα, όπως οι αιφνίδιες πλημμύρες ή οι δασικές πυρκαγιές.

Οι δημιουργοί παιχνιδιών και οι τεχνολόγοι των δημιουργικών κλάδων δοκιμάζουν αν μπορούν να μετατρέψουν μια αρχική ιδέα σε εξερευνήσιμο πρωτότυπο μέσα σε δευτερόλεπτα, ελέγχοντας οπτικά στιλ, αισθητικές υλικών και διαδραστικούς μηχανισμούς μέσω κειμενικών προτροπών, προτού γράψουν κώδικα για τη μηχανή παιχνιδιού. Οι εταιρικοί συνεργάτες αξιολογούν το Genie 4 ως εργαλείο για την ταχεία δημιουργία σεναρίων από το μηδέν και τον εντοπισμό κενών που θα μπορούσε να καλύψει η DeepMind, ώστε να ανταποκρίνεται καλύτερα στις ανάγκες προσομοίωσης.

Κοιτάζοντας προς το μέλλον, η DeepMind θεωρεί ότι τα υβριδικά μοντέλα κόσμου αποτελούν μια πολλά υποσχόμενη κατεύθυνση για την πρόοδο: συστήματα που συνδυάζουν τη λογική, δομημένη συλλογιστική των μοντέλων κώδικα και γλώσσας με την πλούσια, αισθητηριακή αναπαράσταση της προσομοίωσης σε επίπεδο pixel. Σε αυτή την προσέγγιση, το Gemini αποτυπώνει τη δομή και σχεδιάζει στο παρασκήνιο τη χρονική εξέλιξη της αφήγησης, ενώ το Genie δημιουργεί την άμεση φυσική πραγματικότητα, αποδίδοντας pixel προς pixel την όψη και τον ήχο του κόσμου, καθώς και τον τρόπο με τον οποίο αυτός ανταποκρίνεται.

Ασφάλεια, περιορισμοί και διαθεσιμότητα

Η DeepMind αναφέρει ότι το Genie 4 διαθέτει αυστηρές δικλίδες ασφαλείας, σύμφωνες με τις πολιτικές ασφαλείας που εφαρμόζει στα άλλα μοντέλα της, και ότι αξιολόγησε το μοντέλο με εσωτερικούς ελέγχους ασφαλείας πριν από την προεπισκόπηση, ώστε να αποτρέψει τη δημιουργία επιβλαβούς ή κακόβουλου περιεχομένου. Η εταιρεία αναφέρει ότι επέλεξε σκόπιμα να διαθέσει αρχικά το Genie 4 σε έμπιστους συνεργάτες-δοκιμαστές, για να συγκεντρώσει πρώιμα σχόλια. Όλα τα βίντεο και τα ηχητικά αρχεία που δημιουργούνται από το Genie 4 θα περιλαμβάνουν το SynthID, την αόρατη ψηφιακή υδατοσήμανση της DeepMind, η οποία επιτρέπει τον εντοπισμό περιεχομένου που έχει δημιουργηθεί με τεχνητή νοημοσύνη τόσο σε οπτική όσο και σε ηχητική μορφή.

Όσον αφορά τους περιορισμούς, η DeepMind αναφέρει ότι, αν και το Genie 4 μπορεί να διατηρεί συνεκτικά περιβάλλοντα σε σύντομες συνεδρίες, οι οπτικές λεπτομέρειες και η μονιμότητα των αντικειμένων ενδέχεται να μεταβάλλονται ή να αποκλίνουν με την πάροδο του χρόνου, ιδίως όταν η προσομοίωση διαρκεί περισσότερο, μετά από πολλαπλές σύνθετες τροποποιήσεις των προτροπών ή κατά την περιήγηση σε μια σκηνή. Οι σύνθετες φυσικές αλληλεπιδράσεις, η ακρίβεια του ήχου σε πραγματικό χρόνο, η ευανάγνωστη απόδοση κειμένου, η χωρική ακρίβεια και η μακροπρόθεσμη συνέπεια εξακολουθούν να αποτελούν ενεργά πεδία έρευνας.

Το Genie 4 διαδέχεται το Genie 3, το οποίο η DeepMind ανακοίνωσε στις 5 Αυγούστου 2025 και περιέγραψε ως το πρώτο της μοντέλο κόσμου που επέτρεπε την αλληλεπίδραση σε πραγματικό χρόνο. Το Genie 3 δημιουργούσε δυναμικούς κόσμους στους οποίους οι χρήστες μπορούσαν να περιηγούνται με 24 καρέ ανά δευτερόλεπτο, διατηρώντας τη συνοχή για λίγα λεπτά σε ανάλυση 720p, και κυκλοφόρησε ως περιορισμένη ερευνητική προεπισκόπηση για μια μικρή ομάδα ακαδημαϊκών και δημιουργών.

Η DeepMind αναφέρει ότι το Genie 4 θα είναι σύντομα διαθέσιμο στους συνδρομητές του Google AI Ultra μέσω του Project Genie και στους συνεργάτες πρώιμης πρόσβασης μέσω του Gemini API και του Google AI Studio, ενώ η λίστα αναμονής για το Genie 4 στο Project Genie είναι ανοιχτή.