Genie 4: AI Google tworzy światy z dźwiękiem, którymi sterujesz słowami

Genie 4 to nowy model świata Google DeepMind, a tworzone przez niego światy wreszcie wydają dźwięki. Wystarczy opisać scenę jednym zdaniem albo przekazać modelowi obraz referencyjny, by wygenerował miejsce, po którym można się poruszać za pomocą klawiatury, słuchając szumu wiatru wśród drzew, fal rozbijających się o plażę i głosów stojących tam ludzi. Postacie mogą teraz prowadzić rozmowę, która reaguje na działania użytkownika — DeepMind określa tę możliwość mianem prawdziwej granicy tego, co przynosi nowa wersja.

Dla osób, które próbowały wcześniejszych wersji, największą zmianą jest większa kontrola. Można wpisać polecenie zmieniające pogodę, poruszające kamerą albo dodające do sceny nową osobę lub przedmiot, a Gemini przeredaguje prośbę tak, by pasowała do tego, co już widać na ekranie. Między kolejnymi poleceniami Gemini nadal steruje symulacją, żeby świat się nie rozpadł. Przypomina to mniej grę wideo, a bardziej reżyserowanie filmu na planie, na którym kamera nigdy nie przestaje pracować — i właśnie tak korzystają z narzędzia niektórzy pierwsi testerzy.

Gemini planuje scenę, a Genie ją tworzy

Genie 4 korzysta z pozostałych modeli Google. Jak wynika z komunikatu DeepMind, Gemini Omni osadza każdą symulację w realiach wyglądu i zachowania świata, a inne modele Gemini odpowiadają za rozumowanie, dzięki któremu scena pozostaje spójna z chwili na chwilę. Gemini 3.8 Flash działa w pętli jako agent naprowadzający: obserwuje świat, który rysuje Genie 4, dzieli cel na kolejne kroki, sprawdza nadchodzące klatki, by potwierdzić, że każdy krok się powiódł, a po przerwaniu zmienia plan.

DeepMind twierdzi, że największy postęp dotyczy postaci. Poruszają się naturalniej, reagują na otoczenie i można nimi sterować w trakcie symulacji; model radzi sobie też z fizyką, w tym aerodynamiką i zderzeniami. W demonstracjach na blogu firmy widać klonowy nasionko wirujące w stronę trawy, zatłoczony dworzec kolejowy na japońskiej prowincji w latach 80. oraz wyścig smoków z perspektywy pierwszej osoby, któremu towarzyszą grzmiące uderzenia skrzydeł — wszystkie dźwięki wygenerowało samo Genie 4. Genie 3 tworzył nieme światy w rozdzielczości 720p i przy 24 klatkach na sekundę; tym razem DeepMind nie podało danych o rozdzielczości ani liczbie klatek, więc poprawę można ocenić wyłącznie na podstawie opublikowanych przez firmę nagrań.

Gry nie są jedynym celem. DeepMind uważa, że symulowanie świata to kluczowy krok w stronę sztucznej inteligencji ogólnej, a w jednej z demonstracji Genie 4 współpracuje z Gemini 4 Argon, by symulować humanoidalnego robota Apollo firmy Apptronik grającego w warcaby. Argon dzieli zadanie na etapy i przekazuje je Genie 4 w postaci tekstowych podpisów, podczas gdy renderowana jest scena. Długofalowym uzasadnieniem biznesowym są bezpieczne, nieskończenie zróżnicowane światy do ćwiczeń dla robotów i agentów programowych — na długo przed tym, zanim ktokolwiek zacznie sprzedawać grę Genie.

Filmowcy i fotoreporterzy dostali je jako pierwsi

DeepMind testuje Genie 4 z grupami z branży kreatywnej, dziennikarstwa, edukacji, gier i inżynierii. Filmowcy korzystają z niego jako trybu roboczego do prewizualizacji: wchodzą do aktywnej sceny i realizują kolejne ujęcia, zmieniając ustawienie kamery, oświetlenie, dialogi i akcję. Twórcy gier w kilka sekund przechodzą od pomysłu do prototypu, który można eksplorować, jeszcze zanim napiszą choćby jedną linijkę kodu silnika. Partnerzy z sektora przedsiębiorstw sprawdzają narzędzie pod kątem szybkiego generowania scenariuszy.

Najbardziej delikatny eksperyment dotyczy fotoreporterów, którzy sprawdzają, jak w kilka sekund pojedyncze archiwalne zdjęcie może stać się symulowaną wersją przedstawionego na nim miejsca, z poruszającymi się postaciami. DeepMind wspomina też o wizualizowaniu przebiegu powodzi błyskawicznej lub pożaru lasu. Przekonujący spacer po prawdziwej historycznej ulicy, na której mówią wymyślone postacie, może być równie przekonującym fałszerstwem. Odpowiedzią DeepMind jest SynthID — niewidoczny znak wodny, który firma osadza we wszystkich materiałach wideo i audio generowanych przez Genie 4 — a także wewnętrzne testy bezpieczeństwa i stopniowe udostępnianie narzędzia. SynthID pomaga tylko wtedy, gdy platformy i odbiorcy rzeczywiście uruchamiają detektor, a na ekranie nie ma niczego, co informowałoby zwykłego widza, że ogląda materiał syntetyczny.

Światy wciąż się rozjeżdżają

DeepMind otwarcie mówi o ograniczeniach. Genie 4 utrzymuje spójność środowiska podczas krótkich sesji, ale w miarę ich trwania, po kilku złożonych zmianach wprowadzonych poleceniami albo podczas przemieszczania się po scenie mogą zmieniać się szczegóły obrazu i trwałość obiektów. Złożone interakcje fizyczne, precyzyjny dźwięk generowany w czasie rzeczywistym, czytelny tekst, dokładność przestrzenna i długotrwała spójność — wszystkie te kwestie wymieniono jako nierozwiązane problemy badawcze. Mówiąc prościej: regał na książki, który minęliśmy przed chwilą, po powrocie może już nie być tym samym regałem.

Większość osób nie może jeszcze wypróbować narzędzia. Genie 4 jest wersją badawczą udostępnioną wyłącznie zaufanym testerom. Google zapowiada, że wkrótce trafi do subskrybentów Google AI Ultra za pośrednictwem Project Genie, aplikacji internetowej do generowania światów, a także do partnerów korzystających z wczesnego dostępu do Gemini API i Google AI Studio; lista oczekujących jest już otwarta. Nie podano daty premiery, ceny poza kosztem subskrypcji Ultra — najdroższego planu AI Google — ani informacji o kolejności udostępniania w poszczególnych krajach. Gdy Project Genie zadebiutował 29 stycznia 2026 roku z Genie 3, dostęp mieli wyłącznie subskrybenci Ultra ze Stanów Zjednoczonych, którzy ukończyli 18 lat, a sesje ograniczono do 60 sekund.

DeepMind ogłosiło Genie 4 27 października 2026 roku we wpisie podpisanym przez Raia Hadsella, Diego Rivasa i Hang Qi. Początek tej linii przypadł na luty 2024 roku, gdy model zamieniał obrazy w proste dwuwymiarowe platformówki. W grudniu 2024 roku pojawiło się Genie 2, które przeniosło je do trzech wymiarów, a w sierpniu 2025 roku Genie 3 umożliwiło eksplorację w czasie rzeczywistym. Każda generacja dodawała coś nowego: najpierw trzeci wymiar, potem ruch w czasie rzeczywistym, a teraz dźwięk i mowę. Genie 4 musi jeszcze udowodnić, że świat potrafi pamiętać o sobie dłużej niż przez przerwę na kawę.

Tagi: sztuczna inteligencja, Google, Gemini, Google DeepMind, Genie 4, modele świata