Kernpunkte
- Google Deepmind hat Genie 4 vorgestellt, ein interaktives Weltmodell, das Umgebungen Bild für Bild in Echtzeit berechnet und erstmals direkt passende Hintergrundgeräusche und Charakterdialoge generiert.
- Gemini-Modelle steuern die Ereignisse im Hintergrund, planen mehrstufige Aufgaben und passen die simulierte Welt kontinuierlich an Texteingaben der Nutzer und veränderte Bedingungen an.
- Genie 4 ist weiterhin ein experimentelles Forschungsmodell mit Einschränkungen bei längeren Sitzungen und komplexer Physik. Der Zugang ist vorerst auf ausgewählte Tester beschränkt und wird später auf Google AI Ultra-Abonnenten ausgeweitet.
Genie 4 soll interaktive Welten in Echtzeit simulieren, einschließlich Ton und sprechenden Charakteren. Gemini-Modelle planen im Hintergrund, was als Nächstes in der Simulation passiert. Vorerst können nur ausgewählte Tester das Weltmodell ausprobieren.
Google Deepmind hat Genie 4vorgestellt, den Nachfolger von Genie 3, das das Unternehmen im August 2025 gezeigt hat. Das Weltmodell erzeugt keine fertigen Videos, sondern berechnet eine Szene Bild für Bild und reagiert dabei auf Eingaben. Nutzer bewegen sich mit der Tastatur durch die Szene und steuern Ereignisse mit Texteingaben.
Laut Deepmind ist Genie 4 das erste Echtzeit-Weltmodell des Unternehmens, das Ton direkt generiert. Jede Welt habe ihre eigenen Hintergrundgeräusche, etwa Wind in den Bäumen, so das Unternehmen. Genie 4 beherrscht auch Dialoge, wobei Charaktere miteinander sprechen und in Echtzeit auf Nutzereingaben oder Ereignisse reagieren sollen.
Deepmind sieht den größten Gewinn an Realismus darin, wie das Modell Menschen darstellt. Charaktere sollen sich natürlich bewegen und auf ihre Umgebung reagieren, und Nutzer sollen sie direkt steuern können.Anzeige
Gemini-Modelle planen voraus, um die Welt kohärent zu halten
Laut Deepmind baut Genie 4 auf Fähigkeiten des Videomodells Gemini Omni auf, damit die Welt realistisch aussieht und sich realistisch verhält. Andere Gemini-Modelle helfen bei der Planung der Simulation, um sie konsistent zu halten.
Wenn ein Nutzer mit einer Texteingabe das Wetter ändert, soll Gemini die Anweisung an die laufende Szene anpassen. Deepmind zufolge steuert Gemini auch die Ereignisse zwischen Eingaben, damit sich die Welt in einer sinnvollen Weise weiterentwickelt.
Deepmind erklärt den Vorgang anhand mehrstufiger Aufgaben. Gemini 3.8 Flash beobachtet die Szene kontinuierlich, zerlegt ein Ziel in Schritte und prüft anhand neuer Frames, ob jeder Schritt funktioniert hat. Wenn sich die Welt ändert oder der Nutzer eingreift, passt das Modell seinen Plan an.
Deepmind testet außerdem Gemini 4 Argon, um seine Genie-Arbeit mit seiner Robotikforschung, Gemini Robotics, zu verknüpfen. In einer Demo zerlegt Argon die Aufgabe, Dame zu spielen, in Schritte. Genie 4 erhält diese als Textanweisungen und nutzt sie, um zu simulieren, wie Apptroniks humanoider Roboter Apollo das Spiel spielt – ohne einen echten Roboter.Anzeige
Längere Sitzungen bringen das Modell weiterhin durcheinander
Deepmind bezeichnet Genie 4 als frühes, experimentelles Modell. Laut dem Unternehmen bleibt die Welt bei kurzen Sitzungen konsistent, aber visuelle Details können sich verschieben und Objekte bleiben in längeren Simulationen oder nach mehreren komplexen Eingabeänderungen nicht immer erhalten.
Deepmind sagt, es erforsche weiterhin komplexe physikalische Interaktionen, präzisen Echtzeitklang und lesbaren Text.
Vorerst ist Genie 4 nur für ausgewählte Tester als Research Preview verfügbar. Es soll Google AI Ultra-Abonnenten in Kürze in der Web-App Project Genie erreichen, ebenso Partnern mit frühem Zugang zur Gemini API und Google AI Studio.
Google sagt, alle Videos und Audiospuren werden mit seinem SynthID-Wasserzeichen versehen, das KI-generierte Inhalte unsichtbar kennzeichnet.
Einmal ausgereift, könnten Weltmodelle als Trainingsumgebungen dienen, in denen Roboter und KI-Agenten aus simulierter Erfahrung lernen statt nur aus Daten. Deepmind betrachtet die Kombination von Gemini mit Genie als einen frühen Schritt hin zu hybriden Weltmodellen, die die Argumentationsfähigkeit von Sprach- und Code-Modellen mit Simulation auf Pixelebene verbinden.
Quelle: Google