Google DeepMind、世界モデル「Genie 4」を研究プレビューとして公開

Google DeepMindは2026年10月27日、リアルタイムのインタラクティブシミュレーション向けの新たな世界モデル「Genie 4」を発表し、信頼できるテスターを対象に研究プレビューとして公開した。

Raia Hadsell、Diego Rivas、Hang Qiが執筆した発表によると、Genie 4はネイティブなマルチモーダルモデルであり、シミュレーションされた世界と同時に、音楽、環境音、インタラクティブな対話を生成する。DeepMindは、このモデルが「これまでにないリアリティを実現し、リアルタイムのインタラクティブなシミュレーションを向上させる」と述べている。また、フォトリアリズムの向上、滑らかな動き、ネイティブな音声を実現し、デモで使われている音声もモデルが直接生成している。

このモデルは、Geminiファミリーの機能を取り入れ、さらに発展させている。Gemini Omniはシミュレーションに現実世界の外観や振る舞いを反映させる一方、ほかのGeminiモデルは、シミュレーションの一貫性と連続性を保つために必要な複雑な推論を担う。この基盤により、ユーザーがある出来事を起こすと、Genie 4はその後に何が起こるかをシミュレーションできる。つまり、世界がどう反応し、どのような音が聞こえ、そこにいる人々がどう動き、反応し、話すかを再現する。

DeepMindは、世界を理解しシミュレーションすることが、AGIの構築に欠かせない要素だと説明している。同社によると、Genie 4は、安全で無限に変化するシミュレーションを作り出す能力を高めるものであり、ロボットやエージェントの訓練環境に加え、新たなインタラクティブ体験の創出にも活用できる。

4つの主要な機能

DeepMindが公開したデモは、ユーザーが標準的なキーボード操作とカメラを使って世界の中を移動し、変化し続けるシーンをテキストプロンプトで操作するリアルタイムのやり取りを記録したものだ。最初に紹介されている機能はリアルタイム制御で、ユーザーは自然言語を使って実行中のシミュレーションを変更できる。天候を変えたり、カメラを動かしたり、新たな人物や物体を登場させたりすると、Geminiは周囲のシーンに合うよう、文脈に応じてプロンプトを調整する。入力と入力の合間にも、Geminiはシーンを監視し、世界が一貫性を保ちながら展開するよう操作する。

物理現象と人間の動作について、DeepMindは、Genie 4がリアルタイムのインタラクティブなシミュレーションに新たなリアリティの基準をもたらし、空気力学や衝突といった現実世界の物理現象をモデル化すると述べている。同社が最大の進歩として挙げるのは、人間のシミュレーションだ。登場人物は自然に動き、周囲の環境に有機的に反応し、リアルタイムでユーザーが操作できる。

DeepMindは、Genie 4を音声をネイティブに生成する初のリアルタイム世界モデルと説明している。それぞれの世界には、その環境に固有の環境音があり、木々を吹き抜ける風から浜辺に打ち寄せる波の音まで再現される。また、このモデルは、その場で変化するインタラクティブな対話も実現する。登場人物は会話を交わし、ユーザーの入力や世界の中で起きる出来事にリアルタイムで反応する。

複雑で複数の段階を要する出来事では、Gemini 3.8 Flashがループ内で案内役のエージェントを務める。Genie 4がリアルタイムで世界を生成する間、Geminiはシーンを継続的に観察し、目標を一連の手順に分解するとともに、届いたフレームを確認して各手順が成功したかを検証する。世界の状況が変化したり、ユーザーが介入したりすれば、計画を調整する。DeepMindによると、これにより、因果関係が確かな世界と、手続き的な振る舞い、複数段階の推論が可能になる。

同社は、Gemini 4 ArgonとGenie 4をGemini Roboticsと組み合わせる実験も行っている。紹介された例の一つでは、Argonがユーザーの指示したタスクを複数の手順に分解し、シミュレーションの描画に合わせてテキストの字幕として表示する。さらに、2つのシステムがApptronikの人型ロボットApolloによるチェッカーのプレイをシミュレーションし、タスクの完了に向けた進行に応じてシミュレーションを変化させる。

信頼できるテスターとの取り組みと今後の展望

DeepMindはGenie 4を重要な研究上の節目と位置づける一方、まだ初期段階の実験的なモデルだとしている。同社は、クリエイティブ産業、ジャーナリズム、教育、ゲーム、エンジニアリングの各分野で、信頼できるテスターのグループと取り組んできた。同社によると、映画制作者は、プリビジュアライゼーションやアイデア創出のための迅速な「ドラフトモード」としてGenie 4を試している。シーンのライブシミュレーションに入り、カメラアングル、照明、台詞、動きを調整しながら、リアルタイムで複数のテイクを試せる。フォトジャーナリストは、1枚の2Dアーカイブ写真から、その環境を忠実に再現したシミュレーションを数秒で作成できるかを探っている。また各チームは、人物で満たされた動的な世界を通じて、観客が歴史的な空間を体験したり、鉄砲水や山火事といった短期的な環境事象の進行を視覚化したりできるかを検証している。

ゲーム開発者やクリエイティブテクノロジストは、ゲームエンジンのコードを書く前に、自然言語のプロンプトを使ってビジュアルスタイル、素材の美しさ、インタラクティブな仕組みを確認しながら、最初のアイデアから探索可能なプロトタイプを数秒で作れるかを試している。企業パートナーは、ゼロから初期段階のシナリオを迅速に生成するツールとしてGenie 4を評価するとともに、シミュレーションのニーズにより適切に応えるためにDeepMindが対処できる課題を特定している。

今後の進展に向けて、DeepMindは有望な道筋としてハイブリッド世界モデルを挙げています。これは、コードや言語モデルが持つ論理的で構造化された推論と、ピクセル単位のシミュレーションがもたらす豊かな感覚的表現を組み合わせるシステムです。このアプローチでは、Geminiが構造を把握し、舞台裏で物語の時間軸を計画する一方、Genieは目の前の物理的な現実を生成し、世界がどのように見え、聞こえ、反応するかをピクセル単位で描き出します。

安全性、制約、提供状況

DeepMindによると、Genie 4には、同社の他のモデルに適用されている安全方針に沿った厳格な安全対策が組み込まれています。また、プレビューに先立ち、有害または悪意のあるコンテンツの生成を防ぐため、社内の安全性評価を通じてモデルを検証したとしています。同社は、初期のフィードバックを集めるため、信頼できるテストパートナーにGenie 4を意図的に先行導入したと述べています。Genie 4が生成するすべての動画と音声には、視覚と音声の両方にわたってAI生成コンテンツを識別するための、DeepMindの不可視デジタル透かし技術SynthIDが埋め込まれます。

制約について、DeepMindは、Genie 4は短時間のセッションであれば一貫性のある環境を維持できるものの、視覚的な細部や物体の永続性は時間の経過とともに変化したり、ずれたりすることがあると説明しています。特に、シミュレーションの実行時間が長くなる場合、複雑なプロンプトを何度も編集した後、またはシーン内を移動する際に、その傾向が見られます。複雑な物理的相互作用、リアルタイム音声の正確性、判読可能なテキストの描画、空間的な正確性、長期にわたる一貫性は、引き続き研究が進められている分野です。

Genie 4は、2025年8月5日にDeepMindが発表し、リアルタイムでのインタラクションを可能にする初の世界モデルと説明したGenie 3の後継です。Genie 3は、ユーザーが毎秒24フレームで移動できる動的な世界を生成し、720pの解像度で数分間にわたり一貫性を保ちました。また、少数の研究者とクリエイターを対象に、限定的な研究プレビューとして公開されました。

DeepMindによると、Genie 4は近日中に、Project Genie内でGoogle AI Ultraの加入者に、またGemini APIとGoogle AI Studioで早期アクセスパートナーに提供される予定です。Project GenieでGenie 4を利用するためのウェイトリストは、すでに受付を開始しています。