Googleは11月18日(米国時間)、ワールドモデル「Genie 4」を、実験的サービス「Project Genie」でGoogle AI Ultra契約者向けに提供開始した。10月27日に限られたテスター向けの研究プレビューとして発表したモデルで、Genie 3に比べて映像や物理的な動きの再現性を高め、環境音や会話の生成を統合した。Google AI Pro契約者はウェイティングリストに登録できる。
ワールドモデルは、環境がどのように変化し、行動が環境にどのような影響を与えるかを予測・シミュレーションするAIモデルである。Genieシリーズでは、ユーザーの操作に応じて仮想環境を生成し、その中を移動・探索できる。Google DeepMindによると、Genie 4では写実性や人物の自然な動作、周囲の環境への反応を改善した。空気力学的な動きや物体の衝突の再現を強化したほか、Gemini Omniの能力を取り込んで現実世界の見た目や振る舞いを反映し、他のGeminiモデルの推論も世界の一貫性維持に利用する。
Genie 4では、自然言語の指示でシミュレーションをリアルタイムに変更できる。仮想世界を探索しながら、天候の変更やキャラクターの追加、カメラの移動などを指示する。Geminiが場面の状況に合わせて指示を解釈し、展開を調整する。こうした世界の編集機能はGenie 3でも研究段階で示されていたが、当初のProject Genieには含まれていなかった。
Genie 4の新たな特徴が、映像とともにモデル自身が音声を生成するネイティブ音声生成である。風や波などの環境音、音楽に加え、登場人物がユーザーの入力や世界内の出来事に反応して話す、リアルタイムの会話に対応した。
AIエージェントとの連携では、Gemini 3.8 Flashがガイド役として場面を継続的に観察し、目標を複数の手順に分解する。生成された映像を確認して各段階の成否を判断し、世界の状態の変化やユーザーの介入に応じて計画を修正する。
Google DeepMindは、Gemini Roboticsとの連携に向けた実験も紹介している。Gemini 4 Argonがタスクを手順に分解し、描画の進行に合わせてGenie 4にテキストで渡す仕組みである。デモでは、Apptronikの人型ロボット「Apollo」がチェッカーをプレイする様子をシミュレーションした。
-

Gemini Roboticsとの連携は、実際にロボットを動かす前に、多様な仮想環境でAIの判断や行動を検証することを目指している。実機での試行に伴うリスクを抑えながら、さまざまな状況への対応力を確かめるという、ワールドモデルの活用につながる研究だ。
一方、Genie 4は発展途上の技術であり、課題も残る。長時間の探索や複雑な編集を重ねると、映像の細部や物体の位置・外観などの一貫性が崩れる場合がある。複雑な物理的相互作用、リアルタイム音声の精度、文字の読みやすさ、長期的な一貫性は引き続き研究課題であり、Googleはカメラ操作の遅延も挙げている。
なお、GoogleはGenie 3も引き続き提供する。今回、1回の生成で探索できる時間を60秒から最大3分に延長し、複数の世界の連結や360度パノラマ画像を基にした世界生成にも対応した。公式モデルページによると、Genie 4の連続操作時間は現状約1分であり、Genie 3を利用することでより長時間の探索を行える。



