Google DeepMind、リアルタイム対話型世界モデル「Genie 4」を発表

Google DeepMindは、2025年8月にデモが公開された世界モデル「Genie 3」の後継となる「Genie 4」を発表した。完成した動画ファイルを出力する従来の動画生成AIとは異なり、Genie 4はキーボード操作やテキストプロンプトによるユーザー入力に継続的に反応しながら、フレーム単位でリアルタイムにシーンを計算する。

DeepMindのリアルタイム世界モデルとしては初めて、Genie 4は木々を揺らす風の音といった同期した環境音に加え、状況に応じたキャラクターの会話をネイティブに生成する。シミュレーション内のキャラクターは互いに会話したり、環境の変化に反応したり、自然に動いたりするよう設計されており、ユーザーが直接操作することも可能だ。

バックグラウンドで動作するGeminiモデルが支援

Genie 4は、DeepMindの動画モデル「Gemini Omni」の機能をベースにしており、リアルな視覚表現や挙動を実現している。シーンの移り変わりにわたって環境の一貫性を維持するため、基盤となるGeminiモデルがバックグラウンドでイベントのプランニングを管理する。ユーザーが天気を変えるプロンプトを入力した場合、Geminiはその指示を実行中の環境とシームレスに調和するよう調整する。

複数ステップのシナリオでは、「Gemini 3.8 Flash」が視覚フィードを継続的に監視し、目標を個々のステップに分解した上で、新たなフレームを使って各アクションが成功したかを検証し、状況の変化に応じて計画を修正する。

DeepMindはまた、「Gemini 4 Argon」を用いて、Genie 4を同社のロボティクス構想である「Gemini Robotics」と連携させている。あるデモでは、Argonがチェッカーゲームを段階的な指示に分割した。その後、Genie 4がそれらの指示に基づいてApptronikのヒューマノイドロボット「Apollo」がチェッカーをプレイする様子をシミュレートし、実機のロボットを必要とすることなく、プロセス全体を仮想的に実行した。

現在の制限事項と提供計画

DeepMindは、Genie 4が依然として実験的なリサーチプレビューの段階にあることを強調している。短いインタラクションであれば構造的な一貫性が保たれるものの、長時間のセッションや度重なるプロンプトの変更が行われると、視覚的な細部が変化したり、本来維持されるべきオブジェクトが消失したりする場合がある。高精度なリアルタイム音響や複雑な物理演算、判読可能なテキストのレンダリングに関しては、現在も研究が進められている。

Genie 4によって生成されたすべてのメディアには、AI生成コンテンツであることを示すGoogleの不可視電子透かし「SynthID」が埋め込まれる。

現時点でGenie 4へのアクセスは一部のテスターに限定されている。DeepMindは近いうちに、Webアプリケーション「Project Genie」を通じてGoogle AI Ultraの加入者向けに展開するほか、Gemini APIおよびGoogle AI Studioへの早期アクセス権を持つパートナーにも提供する予定だ。長期的には、言語やコードによる推論とピクセルレベルのシミュレーションを組み合わせたハイブリッド世界モデルを、AIエージェントや物理ロボットの重要な訓練環境として位置づけることを見据えている。