Google DeepMind anuncia Genie 4, su modelo de simulación de mundos

Por Raia Hadsell, Diego Rivas y Hang Qi

Google DeepMind ha anunciado Genie 4, un nuevo modelo de mundo diseñado para ofrecer simulaciones interactivas más realistas y en tiempo real. El sistema, nativamente multimodal, puede generar audio similar a música, sonidos ambientales y diálogo interactivo junto con un mundo simulado.

Genie 4 incorpora capacidades de la familia Gemini. Gemini Omni ancla las simulaciones en la apariencia y el comportamiento del mundo real, mientras que otros modelos Gemini proporcionan el razonamiento necesario para mantener la coherencia y continuidad. Los usuarios pueden poner en marcha un evento y Genie 4 simula lo que sucede después, incluido cómo responde el entorno, cómo suena y cómo las personas se mueven, reaccionan y hablan.

Google DeepMind afirmó que comprender y simular el mundo es un aspecto fundamental para construir la AGI. Señaló que Genie 4 podría apoyar entornos de entrenamiento para robots y agentes, así como el desarrollo de experiencias interactivas. En ese sentido, los modelos de mundo se posicionan como contraparte de los modelos de lenguaje: unos modelan cómo se despliegan los entornos en el espacio y el tiempo, y los otros cómo se expresan las ideas y las instrucciones, una combinación que DeepMind busca explícitamente con la integración Gemini–Genie que se detalla a continuación.

La compañía comenzó a lanzar Genie 4 como vista previa de investigación para evaluadores de confianza mientras recopila comentarios antes de una publicación más amplia para consumidores y desarrolladores. La siguiente fase comenzará con los suscriptores de Google AI Ultra en Project Genie y con socios de acceso anticipado que usen la Gemini API y Google AI Studio. Hay una lista de espera disponible a través de Project Genie. El lanzamiento por etapas también brinda a los observadores externos una forma estructurada de seguir el progreso en las debilidades conocidas del modelo, como la consistencia en sesiones largas y la precisión del audio en tiempo real, antes de su disponibilidad general.

Genie 4 está diseñado para ofrecer fotorrealismo mejorado, movimiento fluido y audio nativo. Google DeepMind indicó que los sonidos acompañantes en sus demostraciones fueron generados directamente por el modelo.

Cuatro capacidades destacadas por Google DeepMind

Las demostraciones descritas a continuación muestran interacciones en tiempo real en las que los usuarios navegan y controlan la cámara con entradas estándar de teclado y dirigen las escenas con indicaciones de texto.

Simulación de mundos en tiempo real

Genie 4 permite modificar una simulación con instrucciones en lenguaje natural, como cambiar el clima, mover la cámara o añadir una persona u objeto. Gemini adapta la indicación a la escena circundante, y también monitorea y dirige el entorno entre las entradas del usuario para que la simulación continúe de forma coherente. Esa cualidad continua y dirigible es lo que distingue a los modelos de mundo interactivos del video prerrenderizado: el entorno sigue evolucionando y respondiendo incluso entre las entradas del usuario.

Una demostración usa una imagen de referencia como primer fotograma exacto de una escena con una plataforma rectangular flotante, bordes de concreto desgastado, pastos silvestres, helechos, un pequeño árbol retorcido, una esfera ámbar brillante y un hombre de mediana edad con traje marrón holgado tocando un saxofón de latón. El estilo visual solicitado es una escena documental muy naturalista y de bajo contraste, filmada en película de 16 mm, con grano sutil, colores naturales apagados, sombras elevadas, brillos suaves y luz difusa de cielo nublado. La plataforma flota en un lago tranquilo rodeado de bosques brumosos, mientras la niebla se desplaza sobre el agua y la esfera ámbar se refleja en el lago.

El saxofonista permanece a la vista mientras la cámara se mueve de forma independiente sobre el agua. La indicación pide respiración realista, movimientos de los dedos, un suave balanceo del cuerpo, continuidad espacial, ambiente de lago, viento lejano, movimiento suave del agua y audio realista de saxofón, sin música de fondo más allá de los instrumentos presentes físicamente en la escena.

Otros ejemplos incluyen una pradera soleada en la cima de una colina, con pasto alto, flores silvestres moradas, blancas y amarillas, arbustos bajos y colinas azul-verdosas a lo lejos. Un flujo continuo de satén rosa chicle brillante serpentea por la pradera en amplias curvas en S, ondeando sobre las flores como un río de seda.

Una indicación aparte muestra una vista aérea de la Antártida con glaciares cubiertos de nieve, montañas escarpadas e icebergs azules bajo la luz polar solar. Globos aerostáticos aparecen a distintas distancias, incluido un gran globo de franjas crema, rojas y azules. La vista en primera persona es desde el interior de la cesta de mimbre de un globo, mirando por encima de su borde forrado en cuero, los postes de soporte acolchados en negro, las cadenas de aparejo metálicas y la base oscura de la capa del globo.

Física y acción humana

Google DeepMind afirmó que Genie 4 se basa en una comprensión física avanzada del mundo y puede simular escenarios que involucran aerodinámica, colisiones y otras físicas del mundo real. La compañía describió su tratamiento de las personas como un avance importante, señalando que los personajes pueden moverse con naturalidad, responder a su entorno y dirigirse de manera interactiva en tiempo real. La plausibilidad física es un referente central para los modelos de mundo, porque entrenar robots y agentes en simulación depende de que las acciones simuladas produzcan consecuencias realistas.

Las demostraciones incluyen una sandía brillante con rayas verdes sobre una peana de piedra desgastada en un patio soleado, con gotas en el aire retroiluminadas en cámara lenta; una semilla de arce cayendo de un árbol al pasto; y una concurrida estación de tren rural japonesa en los años ochenta. En la escena de la estación, un inspector ferroviario con uniforme azul marino oscuro observa a los pasajeros que esperan, caminan, abordan y llevan equipaje. Un largo tren local rojo oscuro ocupa la vía más cercana, mientras montañas verdes, bosques de cedros y la bruma húmeda del verano rodean la estación. La indicación especifica una atmósfera japonesa auténtica de los años ochenta, fotografía documental en 35 mm, iluminación natural, grano sutil de película y una multitud densa en lugar de un andén vacío o poco poblado.

Audio nativo y diálogo interactivo

Genie 4 es el primer modelo de mundo en tiempo real de Google DeepMind diseñado para generar audio de forma nativa. Sus entornos pueden incluir sonidos propios del escenario, como el viento en los árboles o las olas en la playa. La generación nativa de sonido junto con las imágenes es un rasgo definitorio de los modelos de mundo en tiempo real, al eliminar la necesidad de emparejar material generado con audio producido por separado. La compañía también destacó el diálogo interactivo, con personajes capaces de conversar y responder a las entradas del usuario o a los eventos del mundo en tiempo real.

Una demostración pide a Genie 4 crear un paisaje tridimensional de vitral que puede explorarse como si la cámara se moviera a través de una gigantesca ventana de cristal. El río, el pasto, las flores, los árboles, las montañas, las nubes, el cielo y el sol están hechos de vidrio de color translúcido, líneas oscuras de plomo y paneles en capas. La indicación exige que el mundo permanezca por completo dentro del estilo de vitral, sin texturas naturales, objetos modernos ni superficies ordinarias del mundo real.

Otra demostración presenta una vista en primera persona de un caballero que monta un gigantesco dragón negro a 140 km/h por un circuito de carreras montañoso. El rostro, el cuerpo y la silueta del jinete permanecen invisibles; solo se ven las manos del jinete, el cuello y la parte superior del lomo del dragón, el paisaje, otros dragones y jinetes, y un castillo con catapultas. La indicación pide aleteos realistas, viento, desenfoque de movimiento y movimiento natural de la cabeza, con audio compuesto por aleteos, viento de gran altitud, un retumbo volcánico lejano y brasas crepitantes.

Otro ejemplo retrata a dos jóvenes coreanos de unos veinte años en una motocicleta cruzando un puente cerca de Hong Kong al amanecer, en un drama romántico independiente de 1995. El conductor no lleva casco, mientras la pasajera de piel clara lleva un casco abierto. La escena se enmarca como una película íntima y melancólica en 35 mm, con barras negras, enfoque superficial, farolas naranjas y un cielo verde oscuro.

Eventos complejos con modelos Gemini

Google DeepMind afirmó que combinar Gemini y Genie 4 añade razonamiento para eventos complejos de varios pasos y permite probar sistemas de IA en entornos simulados antes de llevarlos al mundo real.

En la configuración en tiempo real, Gemini 3.8 Flash actúa como agente guía. Mientras Genie 4 genera un mundo, Gemini observa la escena, divide los objetivos en secuencias de pasos, revisa los fotogramas entrantes y verifica si cada paso se completó. Puede adaptar su plan cuando el mundo cambia o el usuario interviene, lo que respalda la causalidad, los comportamientos procedurales y el razonamiento de varios pasos.

Los ejemplos incluyen un Universal Robots UR5 que sostiene una pipeta y dispensa líquido en una placa de laboratorio, generando pequeñas chispas eléctricas. Otra indicación describe un recorrido en primera persona por un lujoso y claustrofóbico salón de antigüedades. El espectador sostiene una varita de madera tallada y latón pulido, mientras la habitación contiene miles de animales de porcelana esmaltada, incluidos pavos reales, perros y gatos. La escena solicitada incluye texturas realistas de piel y madera, esmalte cerámico, microfisuras en el esmalte, polvo, grano de película, efectos ópticos de lente, crujido de tablones, respiración y tenues sonidos de porcelana.

La misma secuencia incluye a un mago real junto a una mesa alta de madera con una caja rectangular de madera abierta que contiene un pavo real. Pide iluminación natural, actores realistas y una estética de drama televisivo moderno prestigioso, sin teatro, escenario, fantasía ni apariencia de CGI. Otra indicación muestra una grulla coronada caminando sobre la nieve bajo un cielo crepuscular despejado, en estilo documental.

Google DeepMind también indicó que ha estado experimentando con Gemini 4 Argon y Genie 4 en colaboración con Gemini Robotics. En un ejemplo, Argon descompone una tarea indicada por el usuario en pasos para que Genie los represente, mostrando los pasos como subtítulos de texto a medida que avanza la simulación. La compañía usó Gemini 4 Argon y Genie 4 para simular al humanoide Apollo de Apptronik jugando damas mediante descomposición de tareas en tiempo real.

Comentarios de los evaluadores de confianza

Google DeepMind describió Genie 4 como un modelo temprano y experimental. Ha estado trabajando con evaluadores de confianza en industrias creativas, periodismo, educación, videojuegos e ingeniería para entender cómo los modelos de mundo interactivos pueden apoyar flujos de trabajo reales y dónde necesitan seguir desarrollándose.

Los profesionales creativos y tecnólogos están probando Genie 4 como un modo rápido de borrador para previsualización e ideación. Los cineastas pueden entrar en una simulación en vivo y realizar múltiples tomas mientras cambian ángulos de cámara, iluminación, diálogo y acción. En esta fase temprana, una simulación en vivo y dirigible funciona como un espacio compartido de borrador en el que cámara, sonido y acción pueden revisarse juntos antes de comprometerse con la producción.

Los fotorreporteros están explorando cómo una única fotografía de archivo en dos dimensiones puede convertirse en una simulación fundamentada de su entorno. Los equipos también prueban mundos poblados y dinámicos para experimentar espacios históricos y visualizar eventos de corta duración, como inundaciones repentinas e incendios forestales.

Los desarrolladores de videojuegos y tecnólogos creativos usan indicaciones en lenguaje natural para pasar de una idea inicial a un prototipo explorable, probando estilos visuales, materiales y mecánicas interactivas antes de escribir código del motor. Socios empresariales de varias industrias evalúan Genie 4 para la generación rápida de escenarios de cero a uno y para identificar brechas en sus capacidades de simulación.

Hacia modelos de mundo híbridos

Google DeepMind afirmó que una dirección prometedora son los modelos de mundo híbridos, que combinan el razonamiento estructurado de los modelos de código y lenguaje con la representación sensorial de la simulación a nivel de píxeles. Acercar Genie y Gemini es un paso temprano en esa dirección.

Gemini puede mapear la estructura y planificar una línea de tiempo narrativa, mientras Genie genera la realidad física inmediata, incluido cómo se ve, suena y responde un mundo píxel a píxel. Google DeepMind señaló que la combinación podría producir modelos de mundo más coherentes, controlables y fundamentados que cualquiera de los enfoques por separado.

Seguridad y transparencia

Genie 4 combina la generación en tiempo real con el fotorrealismo e introduce nuevas capacidades que Google DeepMind dijo pretender desplegar de manera responsable. El modelo incluye salvaguardas de seguridad alineadas con las políticas de la compañía para sus demás modelos.

Antes de la vista previa, Google DeepMind realizó evaluaciones internas de seguridad destinadas a prevenir la generación de contenido dañino o malicioso. Inicialmente limitó el acceso a los socios evaluadores de confianza para recopilar comentarios antes de una publicación más amplia.

Todo el video y audio generado por Genie 4 incluirá SynthID, la tecnología imperceptible de marca de agua digital de Google para identificar contenido generado por IA en formatos visuales y de audio. El marcaje aborda una pregunta central de la generación fotorrealista: si el video y el audio creados por IA pueden seguir identificándose como sintéticos una vez que circulan.

Limitaciones actuales

Genie 4 sigue siendo un proyecto de investigación en evolución. Puede mantener entornos coherentes en sesiones cortas, pero los detalles visuales y la permanencia de los objetos pueden cambiar o derivar con el tiempo, especialmente en simulaciones más largas, tras múltiples ediciones complejas de indicaciones o cuando el usuario navega extensamente por la escena.

Google DeepMind indicó que las interacciones físicas complejas, la precisión del audio en tiempo real, la generación de texto legible, la precisión espacial y la consistencia a largo plazo siguen siendo áreas activas de investigación. Estas áreas abiertas son las que el lanzamiento por etapas busca explorar, y ofrecen a los primeros usuarios una lista concreta para juzgar hasta dónde han avanzado los modelos de mundo interactivos, de demostraciones a herramientas confiables. La compañía lanza Genie 4 como vista previa para aprender junto a la comunidad mientras avanza en la simulación interactiva de manera controlada.

Disponibilidad

Genie 4 se ha lanzado como vista previa de investigación para evaluadores de confianza. Llegará a los suscriptores de Google AI Ultra en Project Genie y a los socios de acceso anticipado que usen la Gemini API y Google AI Studio. La lista de espera está disponible a través de Project Genie.

El anuncio original está disponible en el blog de Google DeepMind.

Agradecimientos

Google DeepMind atribuyó el logro de Genie 4 a las contribuciones centrales de Hang Qi, Diego Rivas, Aleksander Hołyński, Inbar Mosseri, Jack Parker-Holder, Shlomi Fruchter, Tejas Kulkarni, James Assiene, Philip Ball, Jakob Bauer, Eddie Cao, Lucy Chai, Harris Chan, Kleopatra Chatziprimou, Hao Chen, Yoni Choukroun, Mark Collier, Enric Corona, Kurtis David, Ariel Ephrat, Maxime Gazeau, Ruiqi Gao, Chelsee Glover-Odom, Liangke Gui, Swaroop Guntupalli, Shan Han, Tingbo Hou, Jiri Hron, Hui Huang, Drew A. Hudson, Zhouyuan Huo, Linyi Jin, Christos Kaplanis, Dhrupad Karwa, Eunyoung Kim, Congtao Kuang, Eliot Laidlaw, José Lezama, Hao Li, Shuang Li, Yuchen Liu, Hanzi Mao, Mark Matthews, Matt McGill, Kay McKinney, Ricardo Monti, Mark Murphy, Joseph Ortiz, Roni Paiss, Frank Perbet, Ben Poole, Tal Reiss, Konstantinos Rematas, Guy Scully, Jeremy Shar, Shashank Shastry, Sri S, Omer Tov, Ruben Villegas, Andrey Voynov, Hongjie Wang, Luyu Wang, Kaustubh Sridhar, Mo Samsami, Stephen Spencer, Yufei Wang, Will Whitney, Rundi Wu, Joyce (Jingjing) Xie, Jesse Yin, Shiran Zada, Serena Zhang, Xiaofan Zhang, Zhengqi Li, Zhixing Zhang, Yuan Zhong, Shuo-yiin Chang, Dmitry Lagun, Ronny Huang, Yao Su, Ankush Gupta, Genzhi Ye, Haolin Jia, Weiqin Wang, Xi Xiong, Salah Zaiem y Carol Zheng.

La compañía también agradeció a los socios multifuncionales Dina Bashkirova, Emil Bergner, Greta Borisko, Irina Blok, Melissa Byun, Gabe Clapper, Viral Carpenter, Michael Y. Chang, Maximo Cudich-Sieburger, Chloe Doan, Alisa Fortin, Shivani Ghanta, Vikram Gopali, Ezra Gorman, Khyatti Gupta, Sam Hasinoff, Philipp Henzler, Hector Hinestroza, Ed Hirst, Tyler Holland, Kristian Holsheimer, Tiffany Hu, Kapil Joshi, Randeep Katari, Pavan Kumar, Vikhyat Kumeria, Sam Kvaalen, Matthew Levine, Yinxiao Li, Yuchi Liu, Miao Luo, Nick Matarese, Kangfu Mei, Signe Nørly, Moises Oliveira, Eric Paskie, Manika Puri, Susanna Ricco, Andrey Ryabtsev, Cai Schumann, Nicole Brichtova, Andy Sekyere, Grace Shih, Melissa Smith, Duncan Noble Smith, Kenda Stewart, Rod Strougo, Jenn Sturgeon, Amy Zeng, Gaby Pearl, Eleanor Tomlinson, Kenyon Watson, Inês Ayer, Luke Talbot, Han-Yun Tsao, Guillaume Vernade, Karen Wang, Changchang Wu, Ian Wilkinson, Weijuan Xi, Jennifer Yick, Yunhan Zhao, Eric Zhang, Jason Zhang, Annie Zhou, James Zhou, Chris Walker, Alan Yam, Alex Chen, Cliff Lungaretti, Dan Motzenbecker, Kaloyan Kolev, Matthew Carey, Nate Zucker, Sam Lawton, Shashwath Santosh y Suz Chambers.

Google DeepMind también agradeció a Raia Hadsell, Aäron van den Oord, Josh Woodward, Steve Seitz, Carlos Hernandez, Elias Roman, Jung E. Kim, Abhishek Bapna, Eli Collins, Tulsee Doshi, Carolina Parada, Jie Tan, Koray Kavukcuoglu y Demis Hassabis por su orientación y apoyo, así como a los evaluadores de confianza y usuarios de acceso anticipado que brindaron comentarios.