Google DeepMind anunció el 27 de octubre Genie 4, su nuevo modelo de mundo. Según la empresa, mejora el realismo y la simulación interactiva en tiempo real, y es multimodal de forma nativa, porque genera audio (música, ruido ambiente y diálogo) al mismo tiempo que el mundo.

Genie 4 incorpora capacidades de la familia Gemini. Gemini Omni ancla las simulaciones en la apariencia y el comportamiento del mundo real, y otros modelos Gemini aportan el razonamiento que hace falta para sostener la coherencia y la continuidad de la escena.

Con esa base, el usuario pone en marcha un evento y Genie 4 simula lo que pasa después. Calcula cómo responde el mundo, cómo suena y cómo se mueven, reaccionan y hablan las personas que lo habitan.

DeepMind sostiene que entender y simular el mundo es un paso necesario para construir AGI, y que Genie 4 permite crear simulaciones seguras e infinitamente variables, útiles desde entornos de entrenamiento para robots y agentes hasta experiencias interactivas nuevas.

El despliegue partió como vista previa de investigación para probadores de confianza. Después llegará a consumidores y desarrolladores, empezando por los suscriptores de Google AI Ultra en Project Genie y los socios de acceso anticipado de la API de Gemini y Google AI Studio. La lista de espera para Project Genie está en este formulario.

Las cuatro capacidades que avanza Genie 4

DeepMind mostró grabaciones de interacciones en tiempo real, en las que los usuarios navegan y mueven la cámara con el teclado y usan instrucciones de texto para dirigir la escena mientras evoluciona.

Modificar la simulación en tiempo real

Con Genie 4 se puede cambiar una simulación en curso con lenguaje natural, por ejemplo el clima, la posición de la cámara o la aparición de una persona u objeto nuevo. Gemini adapta la instrucción al contexto de la escena. Entre una instrucción y otra, Gemini también vigila y dirige la escena para que el mundo avance de forma coherente.

Física y movimiento humano más realistas

Según DeepMind, Genie 4 simula escenarios físicos del mundo real, como aerodinámica y colisiones, a partir de una comprensión avanzada de la física.

El salto más grande, dice la empresa, está en cómo simula a las personas. Los personajes se mueven con naturalidad, responden a su entorno y se pueden dirigir en tiempo real.

¿Cómo suena un mundo generado?

Genie 4 es el primer modelo de mundo en tiempo real de DeepMind que genera audio de forma nativa. Cada mundo trae el sonido ambiente de su escenario, desde el viento en los árboles hasta las olas en la playa.

La frontera que destaca la empresa es el habla. Genie 4 incorpora diálogo interactivo que se adapta sobre la marcha, con personajes que conversan y reaccionan a lo que hace el usuario o a lo que ocurre en el mundo, todo en tiempo real.

Eventos complejos con modelos Gemini

La combinación de Gemini y Genie 4 suma una capa de razonamiento a la simulación. Permite modelar eventos de varios pasos y probar cómo se desenvuelven los sistemas de IA en distintos entornos antes de llevarlos al mundo real.

Para lograrlo en tiempo real, Gemini 3.8 Flash actúa como agente guía dentro del ciclo. Mientras Genie 4 genera el mundo, Gemini observa la escena, divide los objetivos en una secuencia de pasos y revisa los cuadros que llegan para seguir el avance y verificar que cada paso se cumplió. Si el mundo cambia o el usuario interviene, Gemini ajusta su plan en el momento. DeepMind dice que así se obtienen mundos con causalidad confiable, comportamientos procedurales y razonamiento en varios pasos.

En esa línea, DeepMind experimenta con Gemini 4 Argon y Genie 4 para unir su investigación de frontera con Gemini Robotics. En el ejemplo que mostró, Argon descompone una tarea pedida por el usuario en pasos que Genie debe renderizar. Esos pasos se intercalan como subtítulos de texto que se le entregan a Genie 4 mientras la simulación avanza. Como Genie 4 se puede dirigir en tiempo real con esos subtítulos, la simulación se va adaptando hasta completar la tarea, y DeepMind lo plantea como una vía para simular muchos escenarios en mundos imaginados.

¿Qué encontraron los probadores?

DeepMind reconoce que Genie 4 sigue siendo un modelo temprano y experimental. Para entender cómo pueden servir los modelos de mundo interactivos en flujos de trabajo reales, y dónde les falta, la empresa trabajó con grupos de probadores de las industrias creativas, el periodismo, la educación, los videojuegos y la ingeniería.

Según los probadores, el fotorrealismo, el audio nativo y el control en tiempo real permiten convertir ideas en simulaciones realistas en varios campos:

  • Dirección creativa: creativos y tecnólogos usan Genie 4 como un "modo borrador" para previsualizar e idear. Un cineasta, por ejemplo, puede entrar a una simulación en vivo de una escena y grabar varias "tomas" en tiempo real, ajustando ángulos de cámara, iluminación, diálogo y acción.
  • Escenarios históricos y fotografías inmersivas: fotoperiodistas exploran cómo una sola fotografía de archivo en 2D se convierte en segundos en una simulación de ese entorno. Los equipos prueban si mundos poblados y dinámicos sirven para recorrer espacios históricos o para visualizar eventos ambientales de corta duración, como una crecida repentina o un incendio forestal.
  • Diseño de experiencias interactivas: desarrolladores de videojuegos y tecnólogos creativos pasan de una idea a un prototipo explorable en segundos, probando estilos visuales, materiales y mecánicas con instrucciones en lenguaje natural antes de escribir una línea de código en un motor.
  • Simulación: además de la investigación en robótica de DeepMind, socios empresariales de varias industrias evalúan Genie 4 para generar escenarios desde cero y detectar qué le falta para cubrir esa necesidad.

Hacia modelos de mundo híbridos

DeepMind ve un camino en los modelos de mundo híbridos, que combinan el razonamiento estructurado de los modelos de código y lenguaje con la representación sensorial de una simulación a nivel de píxel. Acercar Genie y Gemini es un primer paso en esa dirección. Gemini trabaja por detrás para mapear la estructura y planificar la línea de tiempo del relato, mientras Genie genera la realidad física inmediata, o sea cómo se ve, cómo suena y cómo responde el mundo, píxel a píxel.

Seguridad y marca de agua

Antes de abrir la vista previa, DeepMind sometió Genie 4 a evaluaciones internas de seguridad para impedir que genere contenido dañino o malicioso, con resguardos alineados a las políticas de sus otros modelos. El despliegue inicial a probadores de confianza también es deliberado, para recoger opiniones antes de una liberación más amplia.

Todo el video y el audio que genere Genie 4 llevará SynthID, la marca de agua digital imperceptible de Google que ayuda a identificar contenido creado con IA en imagen y sonido.

¿Cuáles son sus límites actuales?

Genie 4 mantiene entornos coherentes en sesiones cortas, pero los detalles visuales y la permanencia de los objetos todavía cambian o se desvían con el tiempo, sobre todo en simulaciones largas, después de varias ediciones complejas por texto o al recorrer la escena. Las interacciones físicas complejas, la precisión del audio en tiempo real, el texto legible, la precisión espacial y la consistencia a largo plazo siguen siendo áreas de investigación abiertas, según la empresa.

¿Cuándo llega al público?

Genie 4 está disponible como vista previa de investigación para probadores de confianza. DeepMind anunció que pronto llegará a los suscriptores de Google AI Ultra en Project Genie y a los socios de acceso anticipado en la API de Gemini y Google AI Studio. La lista de espera está en este formulario.