Google DeepMind lanserer verdensmodellen Genie 4 som forskningsforhåndsvisning

Google DeepMind kunngjorde Genie 4, sin nye verdensmodell for interaktiv simulering i sanntid, 27. oktober 2026. Modellen ble gjort tilgjengelig som en forskningsforhåndsvisning for utvalgte testere.

I kunngjøringen, skrevet av Raia Hadsell, Diego Rivas og Hang Qi, beskrives Genie 4 som multimodal fra grunnen av: Musikk, bakgrunnslyder og interaktiv dialog genereres samtidig med den simulerte verdenen. DeepMind sier at modellen «åpner for enestående realisme og forbedrer interaktiv simulering i sanntid», og gir mer fotorealistiske bilder, jevnere bevegelser og lyd generert fra grunnen av. Lyden i demonstrasjonene er laget direkte av modellen.

Modellen bygger videre på funksjoner fra Gemini-familien. Gemini Omni forankrer simuleringene i hvordan verden ser ut og oppfører seg i virkeligheten, mens andre Gemini-modeller bidrar med den avanserte resonneringen som trengs for å bevare sammenhengen og kontinuiteten i en simulering. Med dette grunnlaget kan brukeren sette en hendelse i gang, og Genie 4 simulerer hva som skjer videre: hvordan verden reagerer, hvordan den høres ut, og hvordan menneskene i den beveger seg, reagerer og snakker.

DeepMind beskriver forståelse av og simulering av verden som et avgjørende aspekt ved utviklingen av AGI. Selskapet sier at Genie 4 styrker evnen til å skape trygge simuleringer med uendelig variasjon, som kan brukes som treningsmiljøer for roboter og agenter, og til å utvikle nye interaktive opplevelser.

Fire funksjonsområder

DeepMinds demonstrasjoner er opptak av interaksjoner i sanntid der brukere navigerer i verdener ved hjelp av vanlige tastaturkontroller og et kamera, og styrer scenen med tekstmeldinger mens den utvikler seg. Den første dokumenterte funksjonen er styring i sanntid: Brukeren kan endre en simulering mens den kjører, ved hjelp av naturlig språk, for eksempel ved å skifte vær, flytte kameraet eller legge til en ny person eller gjenstand. Gemini tilpasser da meldingen etter sammenhengen, slik at den passer til scenen. Mellom brukernes innspill følger Gemini også med på og styrer scenen, slik at verden utvikler seg på en helhetlig måte.

Når det gjelder fysikk og menneskelig handling, sier DeepMind at Genie 4 setter en ny standard for realisme i interaktiv simulering i sanntid ved å modellere fysiske forhold i den virkelige verden, som aerodynamikk og kollisjoner. Selskapet beskriver simuleringen av mennesker som det største fremskrittet: Figurene beveger seg naturlig, reagerer spontant på omgivelsene og kan styres interaktivt i sanntid.

DeepMind beskriver Genie 4 som selskapets første verdensmodell i sanntid som genererer lyd fra grunnen av. Hver verden har bakgrunnslyder som passer til omgivelsene, fra vind i trærne til bølger som slår mot stranden. Modellen introduserer også interaktiv dialog som tilpasses fortløpende, der figurene snakker sammen og reagerer på brukerens innspill eller hendelser i verden, alt i sanntid.

Ved komplekse hendelser med flere trinn fungerer Gemini 3.8 Flash som en veiledende agent i styringssløyfen. Mens Genie 4 genererer en verden i sanntid, observerer Gemini scenen kontinuerlig, deler opp målene i en rekke trinn og gjennomgår innkommende bilder for å kontrollere at hvert trinn er fullført. Den tilpasser planen etter hvert som verden endrer seg eller brukeren griper inn. DeepMind sier at dette åpner for verdener med pålitelig årsakssammenheng, prosedyrerelatert atferd og resonnering i flere trinn.

Selskapet har også eksperimentert med Gemini 4 Argon og Genie 4 sammen med Gemini Robotics. I ett dokumentert eksempel deler Argon en oppgave brukeren har gitt, opp i trinn som vises innimellom som teksting mens simuleringen gjengis. De to systemene simulerer at Apptroniks menneskelignende robot Apollo spiller dam, og simuleringen tilpasser seg etter hvert som oppgaven nærmer seg fullføring.

Utvalgte testere og videre arbeid

DeepMind omtaler Genie 4 som en viktig forskningsmilepæl, men understreker at modellen fortsatt er tidlig i utviklingen og eksperimentell. Selskapet har samarbeidet med grupper av utvalgte testere innen kreative bransjer, journalistikk, utdanning, spill og ingeniørfag. Ifølge selskapet tester filmskapere Genie 4 som en rask «utkastmodus» for forhåndsvisualisering og idéutvikling. De går inn i en levende simulering av en scene og tar flere opptak i sanntid mens de justerer kameravinkler, lyssetting, dialog og handling. Fotojournalister undersøker hvordan ett enkelt todimensjonalt arkivfotografi på få sekunder kan bli til en realistisk simulering av miljøet det viser. Team tester også hvordan befolkede, dynamiske verdener kan hjelpe publikum med å oppleve historiske steder eller visualisere hvordan kortvarige miljøhendelser, som styrtflommer eller skogbranner, utspiller seg.

Spillutviklere og kreative teknologer undersøker om de kan gå fra en første idé til en prototype som kan utforskes, på få sekunder. Ved hjelp av tekstmeldinger tester de visuelle stiler, materialuttrykk og interaktive mekanikker før de skriver kode til spillmotoren. Bedriftspartnere vurderer Genie 4 som et verktøy for rask utvikling av scenarioer fra idé til første versjon, og peker på mangler DeepMind kan rette opp for å dekke simuleringsbehovene bedre.

Ser DeepMind framover, peker selskapet på hybride verdensmodeller som en lovende vei videre: systemer som kombinerer den logiske, strukturerte resonneringen i kode- og språkmodeller med den rike, sanselige representasjonen i simulering på pikselnivå. Med denne tilnærmingen kartlegger Gemini strukturen og planlegger den narrative tidslinjen i bakgrunnen, mens Genie skaper den umiddelbare fysiske virkeligheten og gjengir hvordan verden ser ut, høres ut og reagerer, piksel for piksel.

Sikkerhet, begrensninger og tilgjengelighet

DeepMind sier at Genie 4 har strenge sikkerhetsmekanismer som samsvarer med sikkerhetspolicyene for selskapets øvrige modeller, og at modellen ble evaluert gjennom interne sikkerhetstester før forhåndsvisningen for å hindre generering av skadelig eller ondsinnet innhold. Selskapet sier at det bevisst først gjorde Genie 4 tilgjengelig for betrodde testpartnere for å samle inn tidlige tilbakemeldinger. Alt video- og lydinnhold som genereres av Genie 4, vil inneholde SynthID, DeepMinds usynlige digitale vannmerkingsteknologi for å identifisere AI-generert innhold på tvers av visuelle og lydmessige modaliteter.

Når det gjelder begrensningene, opplyser DeepMind at Genie 4 kan opprettholde sammenhengende miljøer i korte økter, men at visuelle detaljer og objekters varighet fortsatt kan endre seg eller gli over tid, særlig når en simulering varer lenger, etter flere komplekse redigeringer av instruksjoner eller når man beveger seg rundt i en scene. Komplekse fysiske samspill, nøyaktighet i sanntidslyd, gjengivelse av lesbar tekst, romlig nøyaktighet og langsiktig konsistens er fortsatt aktive forskningsområder.

Genie 4 er etterfølgeren til Genie 3, som DeepMind kunngjorde 5. august 2025 og beskrev som selskapets første verdensmodell som muliggjorde samhandling i sanntid. Genie 3 genererte dynamiske verdener som brukerne kunne utforske med 24 bilder i sekundet, med en konsistens som ble opprettholdt i noen minutter ved en oppløsning på 720p. Modellen ble lansert som en begrenset forskningsforhåndsvisning for en liten gruppe akademikere og kreative brukere.

DeepMind sier at Genie 4 snart blir tilgjengelig for Google AI Ultra-abonnenter i Project Genie og for partnere med tidlig tilgang gjennom Gemini API og Google AI Studio, og at ventelisten for Genie 4 i Project Genie er åpen.