Google DeepMind udostępnia model świata Genie 4 w wersji badawczej

Google DeepMind ogłosiło Genie 4, swój nowy model świata do interaktywnych symulacji w czasie rzeczywistym, 27 października 2026 roku, udostępniając go zaufanym testerom w ramach wersji badawczej.

W ogłoszeniu, którego autorami są Raia Hadsell, Diego Rivas i Hang Qi, opisano Genie 4 jako model natywnie multimodalny, który równocześnie z symulowanym światem generuje muzykę, dźwięki otoczenia i interaktywne dialogi. DeepMind twierdzi, że model „zapewnia niespotykany dotąd realizm i usprawnia interaktywne symulacje w czasie rzeczywistym”, a także oferuje większy fotorealizm, płynniejszy ruch i natywnie generowany dźwięk; w demonstracjach towarzysząca obrazowi ścieżka dźwiękowa powstaje bezpośrednio w modelu.

Model wykorzystuje możliwości rodziny Gemini i rozwija je. Gemini Omni nadaje symulacjom wygląd i zachowania zakorzenione w rzeczywistości, podczas gdy inne modele Gemini zapewniają złożone rozumowanie potrzebne do zachowania spójności i ciągłości symulacji. Dzięki temu użytkownik może zainicjować zdarzenie, a Genie 4 zasymuluje jego dalszy przebieg: reakcję świata, to, jak brzmi, oraz ruchy, reakcje i wypowiedzi jego mieszkańców.

DeepMind opisuje rozumienie i symulowanie świata jako kluczowy aspekt tworzenia AGI. Firma twierdzi, że Genie 4 rozwija jej możliwości tworzenia bezpiecznych, nieskończenie zróżnicowanych symulacji, które mogą służyć jako środowiska treningowe dla robotów i agentów, a także umożliwiać tworzenie nowych interaktywnych doświadczeń.

Cztery obszary możliwości

Demonstracje DeepMind to nagrania interakcji w czasie rzeczywistym, w których użytkownicy poruszają się po światach za pomocą standardowych klawiszy i kamery, sterując rozwijającą się sceną za pomocą poleceń tekstowych. Pierwszą opisaną możliwością jest sterowanie w czasie rzeczywistym: użytkownik może modyfikować trwającą symulację za pomocą języka naturalnego, zmieniając pogodę, poruszając kamerą lub wprowadzając nową osobę albo obiekt, a Gemini dostosowuje polecenie do kontekstu otaczającej sceny. Między kolejnymi poleceniami Gemini monitoruje scenę i steruje nią, aby świat rozwijał się w spójny sposób.

DeepMind twierdzi, że w zakresie fizyki i ludzkich działań Genie 4 wyznacza nowy standard realizmu w interaktywnych symulacjach czasu rzeczywistego, modelując zjawiska fizyczne występujące w rzeczywistości, takie jak aerodynamika i zderzenia. Firma opisuje symulowanie ludzi jako największy postęp: postacie poruszają się naturalnie, spontanicznie reagują na otoczenie i można nimi interaktywnie sterować w czasie rzeczywistym.

DeepMind opisuje Genie 4 jako swój pierwszy model świata działający w czasie rzeczywistym, który natywnie generuje dźwięk. Każdy świat wypełniają odgłosy charakterystyczne dla jego otoczenia — od szumu wiatru wśród drzew po fale rozbijające się o brzeg. Model wprowadza także interaktywne dialogi, które na bieżąco dostosowują się do sytuacji: postacie rozmawiają i reagują na polecenia użytkownika lub wydarzenia w świecie, a wszystko to dzieje się w czasie rzeczywistym.

W przypadku złożonych zdarzeń wieloetapowych Gemini 3.8 Flash pełni w pętli rolę agenta naprowadzającego. Gdy Genie 4 generuje świat w czasie rzeczywistym, Gemini nieustannie obserwuje scenę, dzieli cele na sekwencję kroków i analizuje kolejne klatki, aby sprawdzić, czy każdy krok zakończył się powodzeniem. Dostosowuje też swój plan, gdy świat się zmienia lub użytkownik ingeruje w jego przebieg. DeepMind twierdzi, że dzięki temu możliwe staje się tworzenie światów o wiarygodnych związkach przyczynowo-skutkowych, zachowaniach proceduralnych i zdolności do wieloetapowego rozumowania.

Firma eksperymentowała również z połączeniem Gemini 4 Argon i Genie 4 z Gemini Robotics. W jednym z opisanych przykładów Argon dzieli zadanie zlecone przez użytkownika na kroki, które pojawiają się na przemian jako podpisy tekstowe podczas renderowania symulacji. Następnie oba systemy symulują grę w warcaby humanoidalnego robota Apollo firmy Apptronik, a symulacja dostosowuje się w miarę postępów w realizacji zadania.

Zaufani testerzy i dalsze prace

DeepMind określa Genie 4 jako ważny kamień milowy w badaniach, choć model pozostaje na wczesnym, eksperymentalnym etapie. Firma współpracuje z grupami zaufanych testerów z branż kreatywnych, dziennikarstwa, edukacji, gier i inżynierii. Według firmy filmowcy testują Genie 4 jako szybki „tryb roboczy” do prewizualizacji i opracowywania pomysłów: mogą wejść do symulacji sceny na żywo i w czasie rzeczywistym realizować wiele ujęć, zmieniając kąt ustawienia kamery, oświetlenie, dialogi i akcję. Fotoreporterzy sprawdzają, jak pojedyncze archiwalne zdjęcie 2D można w ciągu kilku sekund przekształcić w realistyczną symulację przedstawionego na nim otoczenia. Zespoły testują natomiast, jak zaludnione, dynamiczne światy mogą pomóc odbiorcom poznawać historyczne miejsca lub zobaczyć, jak przebiegają krótkotrwałe zjawiska środowiskowe, takie jak powodzie błyskawiczne czy pożary lasów.

Twórcy gier i technolodzy kreatywni sprawdzają, czy w ciągu kilku sekund mogą przekształcić początkowy pomysł w prototyp, który da się eksplorować, testując style wizualne, estetykę materiałów i mechanikę interakcji za pomocą poleceń w języku naturalnym, zanim napiszą kod silnika. Partnerzy biznesowi oceniają Genie 4 jako narzędzie do szybkiego generowania scenariuszy od zera oraz wskazują obszary, które DeepMind mogłoby rozwinąć, aby lepiej odpowiadać na potrzeby związane z symulacjami.

Patrząc w przyszłość, DeepMind wskazuje hybrydowe modele świata jako obiecujący kierunek dalszego rozwoju: systemy łączące logiczne, ustrukturyzowane rozumowanie modeli kodu i języka z bogatą, zmysłową reprezentacją symulacji na poziomie pikseli. W tym podejściu Gemini odwzorowuje strukturę i w tle planuje przebieg narracji, podczas gdy Genie generuje bezpośrednią rzeczywistość fizyczną, renderując piksel po pikselu wygląd i dźwięk świata oraz jego reakcje.

Bezpieczeństwo, ograniczenia i dostępność

DeepMind informuje, że Genie 4 ma rygorystyczne zabezpieczenia zgodne z zasadami bezpieczeństwa stosowanymi w przypadku innych modeli firmy. Przed udostępnieniem wersji zapoznawczej firma przeprowadziła wewnętrzne oceny bezpieczeństwa modelu, aby zapobiec generowaniu szkodliwych lub złośliwych treści. DeepMind podaje, że celowo udostępniła Genie 4 najpierw zaufanym partnerom testującym, by zebrać wczesne opinie. Wszystkie nagrania wideo i audio wygenerowane przez Genie 4 będą zawierać SynthID — niewidoczną technologię cyfrowych znaków wodnych DeepMind, służącą do identyfikowania treści wygenerowanych przez AI w materiałach wizualnych i dźwiękowych.

Jeśli chodzi o ograniczenia, DeepMind informuje, że Genie 4 potrafi utrzymywać spójność środowisk podczas krótkich sesji, jednak z czasem szczegóły wizualne i trwałość obiektów mogą się zmieniać lub stopniowo rozmywać — zwłaszcza gdy symulacja trwa dłużej, po wielokrotnych złożonych zmianach promptów lub podczas przemieszczania się po scenie. Złożone interakcje fizyczne, dokładność dźwięku generowanego w czasie rzeczywistym, czytelne renderowanie tekstu, dokładność przestrzenna i długoterminowa spójność pozostają przedmiotem bieżących badań.

Genie 4 jest następcą Genie 3, którego DeepMind zaprezentowała 5 sierpnia 2025 roku, określając go jako swój pierwszy model świata umożliwiający interakcję w czasie rzeczywistym. Genie 3 generował dynamiczne światy, po których użytkownicy mogli się poruszać z szybkością 24 klatek na sekundę. Zachowywał spójność przez kilka minut przy rozdzielczości 720p i został udostępniony w ramach ograniczonej wersji zapoznawczej przeznaczonej do badań, z której mogła skorzystać niewielka grupa naukowców i twórców.

DeepMind informuje, że Genie 4 wkrótce będzie dostępny dla subskrybentów Google AI Ultra w Project Genie oraz dla partnerów korzystających z wczesnego dostępu w Gemini API i Google AI Studio. Lista oczekujących na Genie 4 w Project Genie jest już otwarta.