Googleは、新しいワールドモデルであるGenie 4を発表しました。Genie 4は、写実性(photorealism)の向上、なめらかな動き、ネイティブな音声を実現します。Googleが公開したGenie 4のリアルタイム操作の録画では、ユーザーはナビゲーションとカメラ操作に標準のキーボード操作を使い、シーンの展開に合わせてテキストプロンプトでシーンを誘導しています。記事で紹介された付随する音は、すべてGenie 4が直接生成したものです。

Googleは、新しいワールドモデル(world model)としてGenie 4を発表し、前例のないリアリズムを実現し、リアルタイムのインタラクティブなシミュレーション(interactive simulation)を改善するとしています。Genie 4モデルはGeminiファミリーの能力を取り込み、その上に構築されています。Gemini Omniがシミュレーションを現実世界の見た目と振る舞いに根付かせ、他のGeminiモデルが、シミュレーションの一貫性(coherence)と連続性(continuity)を保つのに役立つ複雑な推論を提供します。ユーザーが出来事を動かし始めると、Genie 4は次に何が起こるかをシミュレートします。その内容には、世界がどう反応し、どんな音がし、その中の人々がどう動き、反応し、話すかが含まれます。Genie 4はネイティブにマルチモーダルで、音楽、環境音、インタラクティブな対話などの音声を、世界と同時に生成できます。

リアリズムと音声生成の特徴

Genie 4は、リアルタイムのインタラクティブなシミュレーションに新しい基準のリアリズムをもたらします。世界の高度な物理的理解に基づいて構築されており、空気力学や衝突などの現実世界の物理シナリオをシミュレートします。最も劇的な飛躍は人物のシミュレーションで、自然に動き、環境に有機的に反応し、リアルタイムで対話的に誘導できるキャラクターを作ります。Genie 4は、Googleのリアルタイムのワールドモデルとして初めて、音声をネイティブに生成します。生成される世界には、風に揺れる木々の音から浜辺に打ち寄せる波の音まで、その場の設定に応じた環境音が伴います。ただ、真のフロンティアは人間の音声であり、Genie 4はその場で適応するインタラクティブな対話を導入しました。キャラクターはユーザーの入力や世界の出来事に応じて会話し反応し、すべてリアルタイムで行われます。

Genie 4では、自然言語を使って、天候の変更、カメラの移動、新しい人物や物体の登場など、シミュレーションをリアルタイムで変更できます。Geminiはプロンプトを周囲のシーンに合うよう文脈に応じて調整します。ユーザーの入力と入力の合間にも、Geminiがシーンを監視して誘導し、世界がまとまりを保って進行し続けるようにします。GeminiとGenie 4を組み合わせることで、複雑で複数ステップからなる出来事をモデル化し、AIシステムが異なる環境をどう進むかを現実世界に持ち込む前にテストできるようになります。これをリアルタイムで実現するため、Gemini 3.8 Flashがループ内の誘導エージェント(guiding agent)として機能します。Genie 4がリアルタイムで世界を生成する間、Geminiはシーンを継続的に観察し、目標を一連のステップに分解し、入ってくるフレームを確認して進捗を追い、各ステップが成功したかを検証します。世界が変化したりユーザーが介入したりすると、Geminiはその場で計画を適応させます。これにより、信頼できる因果関係、手続き的な振る舞い、複数ステップの推論を備えた世界が可能になります。

Genie 4は、信頼できるテスター向けのリサーチプレビューとして提供が始まっており、消費者と開発者への公開前にフィードバックを集める段階にあります。まだ初期段階で発展途上の研究領域です。世界を理解しシミュレートすることはAGIを構築するうえで重要な側面であり、Genie 4は安全で無限に変化するシミュレーションを作る能力を前進させます。このシミュレーションは、ロボットやエージェントの訓練環境の開発から、新しいインタラクティブな体験の創出まで、幅広く役立ちうるものです。

GeminiとGenie 4を組み合わせると、世界シミュレーション(world simulation)に推論の新たな層が加わります。Gemini 4 ArgonとGenie 4は連携して、Apptronik社のヒューマノイドApolloがチェッカーをプレイする様子をシミュレートし、タスクをリアルタイムのステップに分解します。Gemini 4 Argonはユーザーが指示したタスクをGenie 4が描画するステップに分解し、そのステップをシミュレーションの描画中にテキストキャプション(text captions)として差し挟んで与えます。Genie 4はGeminiを使ったテキストキャプションでリアルタイムに操作できるため、タスクの完了に向けてシミュレーションを進行に合わせて適応させる道が開けます。この能力は、Gemini 4 ArgonとGenie 4を使って想像上の世界で幅広いシナリオをシミュレートする道となります。

Googleは、この能力の探求の一環として、Gemini 4 ArgonとGenie 4を使い、フロンティア研究をGemini Roboticsと結び付ける実験も行っています。

信頼できるテスターによる活用例

信頼できるテスター(trusted testers)は、フォトリアリズム、ネイティブ音声、リアルタイム操作の飛躍によって、アイデアやコンセプトを現実的なシミュレーションに変えられ、さまざまな分野で新たな能力が開かれると指摘しています。クリエイティブ・ディレクションの分野では、クリエイターや技術者がGenie 4を、プリビジュアライゼーション(pre-visualization)とアイデア出しのための迅速な「ドラフトモード(draft mode)」としてテストしています。例えば映画制作者はシーンのライブシミュレーションに入り込み、カメラアングル、照明、セリフ、アクションをその場で調整しながら、複数の「テイク」をリアルタイムで実行できます。

フォトジャーナリストは、歴史的シナリオと没入型写真の用途として、1枚の2Dアーカイブ写真をその環境に根ざしたシミュレーションに数秒で変えられるかを探っています。チームは、人が行き交う動的な世界が、歴史的な空間の体験や、鉄砲水や山火事といった短期的な環境イベントの展開の可視化にどう役立つかを試しています。

ゲーム開発者やクリエイティブ技術者は、インタラクティブ体験のコンセプトデザインでGenie 4をテストしています。最初のアイデアから探索可能なプロトタイプまで数秒で進めることを目指してテストしており、エンジンのコードを1行も書く前に、自然言語プロンプトでビジュアルスタイル、素材の美的表現、インタラクティブなメカニクスを試しています。

シミュレーション分野では、ロボティクス研究とは別に、さまざまな業界のエンタープライズパートナーがGenie 4を、迅速な「ゼロ・トゥ・ワン(zero-to-one)」のシナリオ生成のツールとして評価しています。あわせて、そのシミュレーションの需要に最もよく応えられるようGenieをさらに改善するため、ギャップを洗い出しています。

Genie 4は、信頼できるテスター向けのリサーチプレビュー(research preview)として提供が始まっています。これは消費者と開発者への公開前にフィードバックを集めるための段階です。Googleは、コミュニティとともに学び、インタラクティブなシミュレーションのフロンティアを安全に前進させるために、このプレビューを共有しています。

Genie 4は消費者と開発者への公開において、Project GenieのGoogle AI Ultra加入者と、Gemini APIおよびGoogle AI Studioのアーリーアクセスパートナーから始まる予定です。また、Project GenieのGenie 4のウェイトリスト(waitlist)に参加することも可能です。現在は信頼できるテスター向けのリサーチプレビューとして公開されていますが、Google AI Ultra加入者とGemini APIおよびGoogle AI Studioのアーリーアクセスパートナーには近日提供される予定です。

Genie 4は大きな研究上のマイルストーンですが、まだ初期の実験的なモデルです。Googleは、インタラクティブなワールドモデルが実世界のワークフローをどう支えられるか、またどこでまだ成長が必要かを理解するため、創造産業、ジャーナリズム、教育、ゲーム、エンジニアリングの信頼できるテスターのグループと協力してきました。Genie 4は、リアルタイム生成とフォトリアリズムを融合する最先端研究の新領域であり、新しい範囲の能力と側面をもたらすため、責任ある形で展開・探究していくとしています。

ハイブリッドなワールドモデル(hybrid world model)とは、コードや言語モデルの論理的・構造的な推論と、ピクセルレベルのシミュレーションが持つ豊かな感覚表現を組み合わせるものであり、今後の進展に向けて有望な道筋とされています。GenieとGeminiモデルを近づけることは、ハイブリッドなワールドモデルに向けた初期の一歩です。

GenieとGeminiを組み合わせる今回の取り組みでは、Geminiが裏側で構造をマッピングし物語のタイムラインを計画し、Genieが目の前の物理的な現実、つまり世界の見た目・音・反応をピクセル単位で生成します。この相補的な強みを合わせることで、どちらか一方のアプローチ単独では達成できないほど、一貫性・制御性・現実への接地性がはるかに高い新しい種類のワールドモデルを実現できる可能性があります。

安全対策と現時点の限界

Genie 4には、他のモデルにわたる安全ポリシーと一貫した厳格な安全ガードレールが組み込まれています。このプレビューの公開前に、有害または悪意のあるコンテンツの生成を防ぐため、Genie 4を社内の厳格な安全性評価で評価しました。透明性を保つため、Genie 4が生成するすべての動画と音声には、SynthIDが含まれることになります。SynthIDは、視覚と音声のモダリティにわたってAI生成コンテンツの識別に役立つ、知覚できないデジタル透かし技術です。

Genie 4は短いセッションでは一貫した環境を維持できますが、特にシミュレーションが長く動くほど、複数の複雑なプロンプト編集の後、あるいはシーン内を移動し回るときに、視覚的なディテールやオブジェクトの永続性(object permanence)が時間とともにずれたりドリフトしたりすることがあります。複雑な物理的相互作用、リアルタイムの音声の精度、読み取れるテキストのレンダリング、空間的な精度、長期的な一貫性は、現在進行中の研究領域です。