Google DeepMind ra mắt mô hình thế giới Genie 4 dưới dạng bản xem trước nghiên cứu

Ngày 27 tháng 10 năm 2026, Google DeepMind công bố Genie 4, mô hình thế giới mới dành cho mô phỏng tương tác theo thời gian thực, đồng thời phát hành phiên bản xem trước nghiên cứu cho các nhà thử nghiệm đáng tin cậy.

Thông báo do Raia Hadsell, Diego Rivas và Hang Qi chấp bút mô tả Genie 4 là mô hình đa phương thức ngay từ đầu, có khả năng tạo đồng thời âm nhạc, âm thanh môi trường và hội thoại tương tác cùng với thế giới mô phỏng. DeepMind cho biết mô hình này “mở ra mức độ chân thực chưa từng có và cải thiện khả năng mô phỏng tương tác theo thời gian thực”, đồng thời mang lại hình ảnh chân thực hơn, chuyển động mượt mà và âm thanh được tạo trực tiếp trong mô hình; âm thanh đi kèm trong các bản trình diễn cũng do chính mô hình tạo ra.

Mô hình tích hợp và phát triển dựa trên các năng lực của dòng Gemini. Gemini Omni giúp các mô phỏng tái hiện diện mạo và hành vi của thế giới thực, trong khi những mô hình Gemini khác cung cấp khả năng suy luận phức tạp cần thiết để duy trì tính nhất quán và liên tục của mô phỏng. Với nền tảng đó, người dùng có thể khởi động một sự kiện, rồi Genie 4 mô phỏng những gì xảy ra tiếp theo: thế giới phản ứng ra sao, âm thanh như thế nào, và con người trong đó di chuyển, phản ứng và trò chuyện ra sao.

DeepMind mô tả khả năng hiểu và mô phỏng thế giới là một khía cạnh then chốt trong quá trình xây dựng AGI. Công ty cho biết Genie 4 nâng cao năng lực tạo ra các mô phỏng an toàn, biến đổi vô hạn, có thể hỗ trợ xây dựng môi trường huấn luyện cho robot và tác nhân, cũng như tạo ra những trải nghiệm tương tác mới.

Bốn lĩnh vực năng lực

Các bản trình diễn của DeepMind là những đoạn ghi hình tương tác theo thời gian thực, trong đó người dùng khám phá các thế giới bằng những phím điều khiển thông thường và camera, đồng thời dùng câu lệnh văn bản để điều hướng cảnh vật khi thế giới biến đổi. Năng lực đầu tiên được mô tả là điều khiển theo thời gian thực: người dùng có thể thay đổi một mô phỏng đang chạy bằng ngôn ngữ tự nhiên, chẳng hạn như thay đổi thời tiết, di chuyển camera hoặc đưa một người hay đồ vật mới vào cảnh; Gemini sẽ điều chỉnh câu lệnh theo ngữ cảnh để phù hợp với khung cảnh xung quanh. Giữa các lần người dùng nhập lệnh, Gemini cũng theo dõi và điều hướng cảnh vật để thế giới tiếp tục phát triển một cách liền mạch.

Về vật lý và hành động của con người, DeepMind cho biết Genie 4 thiết lập một chuẩn mực mới về độ chân thực cho mô phỏng tương tác theo thời gian thực, với khả năng mô hình hóa các tình huống vật lý trong thế giới thực như khí động học và va chạm. Công ty mô tả bước tiến lớn nhất là khả năng mô phỏng con người: các nhân vật di chuyển tự nhiên, phản ứng linh hoạt với môi trường và có thể được điều khiển tương tác theo thời gian thực.

DeepMind mô tả Genie 4 là mô hình thế giới theo thời gian thực đầu tiên của hãng có khả năng tự tạo âm thanh. Mỗi thế giới đều có âm thanh môi trường đặc trưng của bối cảnh, từ tiếng gió thổi qua tán cây đến tiếng sóng vỗ vào bờ biển. Mô hình cũng bổ sung hội thoại tương tác có thể thích ứng ngay lập tức; các nhân vật trò chuyện và phản ứng với lệnh của người dùng hoặc các sự kiện trong thế giới, tất cả đều diễn ra theo thời gian thực.

Đối với các sự kiện phức tạp gồm nhiều bước, Gemini 3.8 Flash đóng vai trò tác nhân định hướng trong vòng lặp. Khi Genie 4 tạo ra một thế giới theo thời gian thực, Gemini liên tục quan sát khung cảnh, chia mục tiêu thành một chuỗi bước và xem xét các khung hình mới để xác minh từng bước đã thành công hay chưa; đồng thời điều chỉnh kế hoạch khi thế giới thay đổi hoặc người dùng can thiệp. DeepMind cho biết năng lực này mở ra những thế giới có quan hệ nhân quả đáng tin cậy, hành vi được tạo theo quy trình và khả năng suy luận qua nhiều bước.

Công ty cũng đang thử nghiệm Gemini 4 Argon và Genie 4 kết hợp với Gemini Robotics. Trong một ví dụ được ghi nhận, Argon chia nhiệm vụ do người dùng yêu cầu thành các bước, lần lượt hiển thị dưới dạng chú thích văn bản trong khi mô phỏng được dựng; hai hệ thống mô phỏng robot hình người Apollo của Apptronik chơi cờ đam, đồng thời điều chỉnh mô phỏng khi nhiệm vụ tiến dần đến hoàn thành.

Nhóm thử nghiệm đáng tin cậy và định hướng công việc trong tương lai

DeepMind xem Genie 4 là một cột mốc nghiên cứu quan trọng, dù mô hình vẫn đang ở giai đoạn đầu và còn mang tính thử nghiệm; công ty đã làm việc với các nhóm thử nghiệm đáng tin cậy trong nhiều lĩnh vực, gồm công nghiệp sáng tạo, báo chí, giáo dục, trò chơi và kỹ thuật. Theo công ty, các nhà làm phim đang thử Genie 4 như một “chế độ bản nháp” nhanh để tiền trực quan hóa và hình thành ý tưởng: họ có thể bước vào mô phỏng trực tiếp của một cảnh và quay nhiều lần theo thời gian thực, đồng thời điều chỉnh góc máy, ánh sáng, lời thoại và hành động. Các phóng viên ảnh đang tìm hiểu cách biến một bức ảnh lưu trữ 2D duy nhất thành mô phỏng bám sát môi trường trong vài giây; các nhóm cũng đang thử nghiệm cách những thế giới đông người và biến động có thể giúp khán giả trải nghiệm các không gian lịch sử hoặc hình dung diễn biến của những sự kiện môi trường ngắn hạn như lũ quét hay cháy rừng.

Các nhà phát triển trò chơi và chuyên gia công nghệ sáng tạo đang thử nghiệm xem liệu họ có thể biến ý tưởng ban đầu thành nguyên mẫu có thể khám phá chỉ trong vài giây hay không, bằng cách kiểm tra phong cách hình ảnh, thẩm mỹ chất liệu và cơ chế tương tác thông qua câu lệnh ngôn ngữ tự nhiên trước khi viết mã nguồn cho bộ máy trò chơi. Các đối tác doanh nghiệp đang đánh giá Genie 4 như một công cụ tạo nhanh kịch bản từ 0 đến 1, đồng thời xác định những thiếu sót mà DeepMind có thể khắc phục để đáp ứng tốt hơn nhu cầu mô phỏng.

Nhìn về tương lai, DeepMind xem các mô hình thế giới lai là một hướng đi đầy hứa hẹn để thúc đẩy tiến bộ: những hệ thống kết hợp khả năng suy luận logic, có cấu trúc của mô hình mã và mô hình ngôn ngữ với khả năng biểu diễn phong phú, giàu tính cảm giác của mô phỏng ở cấp độ điểm ảnh. Theo cách tiếp cận này, Gemini lập bản đồ cấu trúc và lên kế hoạch cho dòng thời gian tường thuật ở hậu trường, trong khi Genie tạo ra hiện thực vật lý tức thời, thể hiện thế giới trông như thế nào, phát ra âm thanh ra sao và phản hồi như thế nào qua từng điểm ảnh.

An toàn, hạn chế và khả năng cung cấp

DeepMind cho biết Genie 4 có các rào chắn an toàn nghiêm ngặt, phù hợp với những chính sách an toàn mà hãng áp dụng cho các mô hình khác, đồng thời cho biết hãng đã đánh giá mô hình qua các đợt kiểm định an toàn nội bộ trước khi ra mắt bản xem trước nhằm ngăn việc tạo ra nội dung có hại hoặc ác ý. Công ty cho biết họ chủ động triển khai Genie 4 trước tiên cho các đối tác thử nghiệm đáng tin cậy để thu thập phản hồi ban đầu. Tất cả video và âm thanh do Genie 4 tạo ra sẽ có SynthID, công nghệ đánh dấu chìm kỹ thuật số vô hình của DeepMind nhằm nhận diện nội dung do AI tạo ra ở cả phương thức hình ảnh lẫn âm thanh.

Về những hạn chế, DeepMind cho biết Genie 4 có thể duy trì môi trường nhất quán trong các phiên ngắn, nhưng các chi tiết hình ảnh và tính ổn định của vật thể vẫn có thể thay đổi hoặc sai lệch theo thời gian, đặc biệt khi mô phỏng chạy lâu hơn, sau nhiều lần chỉnh sửa câu lệnh phức tạp hoặc khi di chuyển khắp một cảnh. Các tương tác vật lý phức tạp, độ chính xác của âm thanh theo thời gian thực, khả năng hiển thị văn bản dễ đọc, độ chính xác về không gian và tính nhất quán lâu dài vẫn là những lĩnh vực đang được tiếp tục nghiên cứu.

Genie 4 kế nhiệm Genie 3, được DeepMind công bố vào ngày 5 tháng 8 năm 2025 và mô tả là mô hình thế giới đầu tiên của hãng cho phép tương tác theo thời gian thực. Genie 3 tạo ra những thế giới sống động mà người dùng có thể di chuyển khám phá với tốc độ 24 khung hình mỗi giây, duy trì tính nhất quán trong vài phút ở độ phân giải 720p; mô hình được phát hành dưới dạng bản xem trước nghiên cứu giới hạn cho một nhóm nhỏ học giả và nhà sáng tạo.

DeepMind cho biết Genie 4 sẽ sớm có mặt cho người đăng ký Google AI Ultra trong Project Genie và các đối tác được cấp quyền truy cập sớm trong Gemini API và Google AI Studio; danh sách chờ Genie 4 trong Project Genie hiện đã mở.