Genie 4: AI-ul Google creează lumi cu sunet pe care le schimbi prin text

Genie 4 este noul model al lumii creat de Google DeepMind, iar lumile pe care le construiește au, în sfârșit, și sunet. Descrie o scenă într-o propoziție sau oferă-i o imagine de referință, iar modelul generează un loc prin care te poți deplasa cu ajutorul tastaturii, în timp ce redă foșnetul vântului printre copaci, valurile de pe plajă și vocile oamenilor aflați acolo. Acum, aceștia pot purta conversații care reacționează la ceea ce faci — aspect pe care DeepMind îl descrie drept adevărata frontieră pe care o deschide această versiune.

Pentru cei care au încercat versiunile anterioare, cea mai mare schimbare ține de control. Poți introduce o instrucțiune care schimbă vremea, rotește camera sau adaugă în scenă o persoană ori un obiect, iar Gemini reformulează cererea astfel încât să se potrivească cu ceea ce se vede deja pe ecran. Între comenzile tale, Gemini continuă să ghideze simularea, ca lumea să nu se destrame. Experiența seamănă mai puțin cu un joc video și mai mult cu regia unui platou de filmare pe care acțiunea nu se oprește niciodată — iar unii dintre primii testeri îl folosesc deja astfel.

Gemini planifică scena, în timp ce Genie o creează

Genie 4 se bazează pe restul familiei de modele Google. Potrivit anunțului DeepMind, Gemini Omni ancorează fiecare simulare în aspectul și comportamentul lumii reale, în timp ce alte modele Gemini se ocupă de raționamentul necesar pentru a păstra coerența scenei de la un moment la altul. Gemini 3.8 Flash acționează în buclă ca agent de ghidare: urmărește lumea pe măsură ce Genie 4 o desenează, împarte un obiectiv în pași, verifică imaginile primite pentru a confirma că fiecare pas a reușit și schimbă planul atunci când îl întrerupi.

DeepMind spune că cel mai mare salt se vede la personaje. Acestea se mișcă mai natural, reacționează la mediul înconjurător și pot fi ghidate în timp ce simularea rulează, iar modelul gestionează fenomene fizice precum aerodinamica și coliziunile. Printre demonstrațiile de pe blogul companiei se numără o samară de arțar care se rotește în timp ce coboară în iarbă, o gară rurală aglomerată din Japonia anilor 1980 și o cursă de dragoni la persoana întâi, acompaniată de bătăi de aripi tunătoare — toate sunetele fiind generate chiar de Genie 4. Genie 3 producea lumi fără sunet, la 720p și 24 de cadre pe secundă; de data aceasta, DeepMind nu a publicat cifre privind rezoluția sau frecvența cadrelor, așa că îmbunătățirea poate fi evaluată doar pe baza clipurilor proprii.

Jocurile nu sunt singurul obiectiv. DeepMind spune că simularea lumii este un pas esențial către inteligența artificială generală, iar o demonstrație asociază Genie 4 cu Gemini 4 Argon pentru a simula robotul umanoid Apollo al companiei Apptronik jucând dame. Argon împarte sarcina în pași și îi transmite lui Genie 4 sub formă de subtitrări text, în timp ce scena este redată. Lumile de antrenament sigure și cu variații nesfârșite, destinate roboților și agenților software, reprezintă miza comercială pe termen lung — cu mult înainte ca cineva să vândă un joc Genie.

Primii care l-au încercat: cineaștii și fotojurnaliștii

DeepMind testează Genie 4 cu grupuri din domeniile industriilor creative, jurnalismului, educației, jocurilor și ingineriei. Cineaștii îl folosesc ca instrument de schițare pentru pre-vizualizare: intră într-o scenă în timp real și filmează mai multe duble, ajustând unghiurile camerei, iluminarea, dialogul și acțiunea. Dezvoltatorii de jocuri trec de la o idee la un prototip explorabil în câteva secunde, înainte să scrie măcar o linie de cod pentru motorul de joc. Partenerii din mediul de afaceri îl testează pentru generarea rapidă de scenarii.

Cel mai delicat experiment îi implică pe fotojurnaliști, care testează cum poate o singură fotografie de arhivă să devină, în câteva secunde, o versiune simulată a locului surprins, populată și plină de mișcare. DeepMind menționează și vizualizarea evoluției unei viituri rapide sau a unui incendiu de vegetație. O plimbare convingătoare pe o stradă istorică reală, cu oameni inventați care vorbesc acolo, este și un fals convingător. Răspunsul DeepMind este SynthID, filigranul invizibil pe care îl încorporează în toate materialele video și audio produse de Genie 4, alături de evaluări interne de siguranță și o lansare treptată. SynthID este util doar dacă platformele și spectatorii folosesc efectiv un instrument de detectare, iar pe ecran nu există nimic care să-i indice unui privitor obișnuit că imaginile sunt sintetice.

Lumile încă se schimbă în timp

DeepMind vorbește neobișnuit de deschis despre limitele modelului. Genie 4 menține coerența unui mediu în sesiuni scurte, dar detaliile vizuale și permanența obiectelor se pot schimba pe măsură ce simularea durează mai mult, după mai multe modificări complexe ale comenzilor sau când te deplasezi prin scenă. Interacțiunile fizice complexe, sunetul precis în timp real, textul lizibil, acuratețea spațială și coerența pe termen lung sunt toate enumerate drept probleme de cercetare încă nerezolvate. Pe scurt, biblioteca pe lângă care ai trecut acum un minut s-ar putea să nu mai fie aceeași când te întorci.

Deocamdată, majoritatea oamenilor nu au cum să-l încerce. Genie 4 este o versiune de previzualizare pentru cercetare, disponibilă doar testerilor de încredere. Google spune că va fi disponibil în curând abonaților Google AI Ultra prin Project Genie, aplicația web pentru generarea de lumi, precum și partenerilor cu acces timpuriu la Gemini API și Google AI Studio; lista de așteptare este deja deschisă. Nu există o dată de lansare, niciun preț în afara abonamentului Ultra — cel mai scump plan AI al Google — și nici informații despre țările în care va ajunge mai întâi. Când Project Genie a fost lansat pe 29 ianuarie 2026, cu Genie 3, accesul era rezervat abonaților Ultra din Statele Unite cu vârsta de cel puțin 18 ani, iar sesiunile erau limitate la 60 de secunde.

DeepMind a anunțat Genie 4 pe 27 octombrie 2026, într-o postare semnată de Raia Hadsell, Diego Rivas și Hang Qi. Povestea a început în februarie 2024 cu un model care transforma imaginile în jocuri simple de platformă 2D, a trecut la 3D cu Genie 2 în decembrie 2024 și a ajuns la explorarea în timp real cu Genie 3 în august 2025. Fiecare generație a adăugat ceva: o a treia dimensiune, apoi mișcarea în timp real, iar acum sunet și vorbire. Genie 4 mai trebuie să demonstreze că o lume își poate păstra amintirile mai mult decât durează o pauză de cafea.

Etichete: inteligența artificială, Google, Gemini, Google DeepMind, Genie 4, modele de lume