Мир за 30 секунд: Genie 4 от Google создаёт вселенную, в которую можно войти

Что произойдёт, если ИИ перестанет просто генерировать видео и начнёт создавать мир, в который можно войти, менять его в любой момент и даже общаться с его персонажами?

Новая модель Genie 4 от Google как раз приближает эту фантазию к реальности.

27 октября Google DeepMind официально представила новое поколение модели мира Genie 4, назвав её «самой реалистичной и самой интерактивной моделью мира на сегодняшний день».

По сравнению с Genie 3, которая в основном совершила прорыв в генерации и интерактивности сцен в реальном времени, новая модель дополнительно получила встроенную генерацию звука, управление на естественном языке в реальном времени, моделирование сложной физики и поведения персонажей, а также — с опорой на модели серии Gemini — многошаговое развёртывание событий.

В официальной демонстрации пользователь управляет навигацией и камерой с помощью клавиатуры, а текстовым промптом меняет сцену: погоду, положение камеры, добавление людей или объектов. Например, можно заставить на лугу появиться розовую шёлковую ленту или поместить камеру в корзину воздушного шара над антарктическими ледяными полями. Сцена откликается в реальном времени, а персонажи продолжают действовать уже по новым правилам.

За эту способность отвечают модели серии Gemini. Gemini Omni следит за тем, чтобы картинка соответствовала внешнему виду и поведению реального мира; другие модели Gemini переводят запросы в действия, планируют сложные события, наблюдают за изображением и отслеживают прогресс. Когда пользователь меняет команду, Gemini на месте корректирует план.

В другой демонстрации Gemini 4 Argon уже начинает командовать Genie 4, шаг за шагом моделируя процесс, как человекоподобный робот играет в шашки.

Как видно, речь идёт уже не просто о генерации видео в традиционном смысле, а о движении к интерактивной, управляемой системе симуляции мира, которую можно использовать и для обучения ИИ. Сейчас Genie 4 открыта в исследовательском превью для небольшого числа доверенных тестировщиков; позже доступ будет постепенно предоставлен подписчикам Google AI Ultra, а также ранним партнёрам Gemini API и Google AI Studio.

Что касается параметров, один сеанс интерактивного опыта в Genie 4 может длиться до двух минут; у предыдущего поколения Genie 3 верхний предел составлял одну минуту. Цифра выглядит скромно, но для разработчиков игр, проверяющих отдельный игровой фрагмент, и для кинематографистов, предварительно просматривающих одну группу кадров, этого уже достаточно, чтобы покрыть базовые тестовые задачи.

Мир ИИ начинает «оживать»

На этот раз Google продемонстрировала четыре направления улучшений: изменение мира в реальном времени, моделирование физики и поведения персонажей, встроенную генерацию звука, а также сложное развёртывание событий совместно с Gemini.

Некоторые демонстрации уже довольно близки к соединению интерактивной игры и реального видеоизображения.

Во-первых, пользователю больше не нужно заранее проектировать всю сцену: мир можно менять прямо в процессе генерации.

В одной из демонстраций саксофонист в коричневом костюме стоит на плавучей платформе посреди озера. Вокруг — окутанный туманом лес, медленно текущая вода и сфера, излучающая тёплый свет.

Человек продолжает играть: пальцы, дыхание и движения тела естественно связаны между собой, а камера может двигаться независимо и наблюдать за всей средой с разных позиций. Ключевое здесь не в том, чтобы сделать картинку «как в кино», а в том, чтобы камера могла свободно исследовать сцену, сохраняя пространственные отношения между персонажем, объектами и окружением.

Пользователь также может управлять движением и ракурсом с клавиатуры, а текстовыми командами менять погоду, вводить новых персонажей или объекты. Gemini понимает эти требования исходя из текущей среды и помогает поддерживать развитие сцены, когда пользователь перестаёт вводить команды.

Во-вторых, объекты перестают быть просто декорацией в кадре: персонажи и среда начинают демонстрировать более сложные закономерности движения.

В другой серии показанных Google примеров целый арбуз лежит на каменном постаменте, семя клёна, вращаясь, падает на траву; есть и японская сельская железнодорожная станция, заполненная пассажирами: люди ходят по платформе, ждут поезд и вместе с окружающей средой образуют динамичную сцену.

Google подчёркивает, что Genie 4 улучшила моделирование физических явлений — аэродинамики, столкновений и т. п., — а особенно заметный прогресс достигнут в движениях персонажей. Модель может генерировать более естественную человеческую моторику, заставлять персонажей реагировать на окружающую среду и принимать управление в реальном времени.

Однако физическая симуляция здесь всё ещё остаётся результатом генерации моделью на основе усвоенных закономерностей мира; это не означает, что все физические процессы просчитываются точно.

В-третьих, Genie 4 впервые наделяет мир ИИ изначально генерируемым звуком.

В демонстрационном видео вы сидите на спине дракона и летите через горы, вокруг — другие наездники. Вы будто действительно сидите на драконе и на скорости 140 км/ч, заданной промптом, пересекаете горные хребты; подсказка WASD в левом нижнем углу говорит о том, что вы действительно «играете» в эту сгенерированную сцену.

Вместе с полётом появляются не только быстро проносящиеся мимо пики и замки, но и гул крыльев дракона, свист воздушных потоков на высоте и звуки далёкой вулканической активности. Эти звуки не добавлены на постпродакшене — их напрямую генерирует Genie 4.

Более того, модель может генерировать диалоги персонажей в реальном времени. Персонажи в сцене способны словесно реагировать на пользовательский ввод или на события, происходящие в мире, а не просто повторять заранее подготовленные реплики.

Для виртуальных персонажей, интерактивного повествования и даже разработки игр это изменение весьма важно. Разработчику уже не обязательно создавать персонажа, у которого каждая реплика и каждая реакция жёстко прописаны; возможно, ему нужно будет создать симулированного персонажа, способного непрерывно порождать поведение и диалоги в зависимости от ситуации.

В видео, реально сгенерированном разработчицей Justine Moore (она также партнёр a16z), показан более сложный, полностью генерируемый в реальном времени игровой мир. Вся сцена создана из одного промпта — окружение и персонажи, — а затем события можно менять промптами.

В видео персонаж в гидрокостюме исследует пещеру; под ногами разбросаны золотые монеты, рядом стоит деревянная бочка. В верхней части экрана есть подсказка: «Describe changes to your world…», а рядом — несколько вариантов задач, например «Ai Suggested» и «Giant Kraken Reach». Панель частоты кадров справа показывает: текущие 24,6 FPS, минимум 17, среднее 23,8.

Justine Moore сообщила, что получила доступ к Genie 4 заранее; по её словам, создание мира обычно занимает менее 30 секунд, а окно интерактивного взаимодействия составляет около 2 минут. Пользователь может перемещаться с помощью клавиатуры и мыши, а также менять мир на естественном языке: например, корректировать погоду, двигать камеру, добавлять персонажа. Модели серии Gemini обрабатывают эти команды и обеспечивают связность сцены.

Кроме того, Gemini 4 Argon разбивает задачу на последовательность шагов, а затем текстовыми командами ведёт Genie 4, шаг за шагом показывая процесс выполнения. По мере развития симуляции система может продолжать корректировать последующие шаги. Это равносильно тому, что модель, сильная в рассуждениях и планировании, командует другой моделью, сильной в генерации среды в реальном времени.

Как устроена Genie 4

С технической точки зрения Google пытается решить две давние проблемы моделей мира: как заставить симулируемую среду меняться в реальном времени вслед за действиями пользователя и как сохранить логическую согласованность последовательно происходящих событий. За этим стоят два «мозга»: Gemini отвечает за мышление, Genie — за генерацию физического мира.

Чтобы понять это изменение, сначала нужно разобраться, чем модель мира отличается от обычной видеомодели:

• Традиционные видеогенеративные модели в основном создают изображение на относительно определённом временном отрезке по таким условиям, как текст или изображение.
• Модель мира должна отвечать дальше: что изменится в поле зрения, если пользователь пойдёт налево? Что произойдёт, если кто-то столкнёт объект со стола? Если персонаж выйдет из комнаты и затем вернётся, сохранится ли прежняя среда?

Эта способность связана с двумя ключевыми понятиями: генерация, обусловленная действием (Action-conditioned Generation), и согласованность состояния мира (World Consistency).

Первое означает, что следующий кадр нельзя предсказывать только по предыдущему кадру — необходимо учитывать, какое действие пользователь только что совершил. Второе требует, чтобы модель помнила уже сгенерированную среду и по возможности избегала беспричинных изменений персонажей, объектов или пространственных отношений с течением времени.

На самом деле, когда Google в 2025 году выпустила Genie 3, она уже обеспечивала интерактивную генерацию в реальном времени с частотой 24 кадра в секунду и разрешением 720p, а также поддерживала симуляцию среды на протяжении нескольких минут. Genie 3 использовала покадровую авторегрессионную генерацию: она не опиралась на заранее построенную полную явную трёхмерную сцену, а непрерывно генерировала последующее содержание на основе предыдущих кадров и действий пользователя.

Но это породило и новую техническую проблему: чем дольше идёт генерация, тем больше исторической информации нужно учитывать модели и тем сильнее могут накапливаться ошибки. Например, если пользователь минуту назад проходил мимо некоего здания, а теперь возвращается, модель должна постараться сохранить внешний вид и положение здания неизменными.

Genie 4 продолжает направление генерации мира в реальном времени, но самое заметное изменение на этот раз — включение моделей серии Gemini в процесс симуляции. По официально раскрытой информации, вся система задействует как минимум три разных уровня способностей.

• Первый уровень: Genie 4 отвечает за генерацию изображения, звука и динамической среды в реальном времени. Ей нужно на основе текущего состояния мира и входных данных непрерывно порождать новые кадры и звуки, а также отображать движения персонажей, изменения среды и результаты взаимодействия.
• Второй уровень: Gemini Omni усиливает связь симулируемого мира с закономерностями реальности. Google говорит, что Gemini Omni обеспечивает симуляции основу для внешнего вида и поведения реального мира.
• Третий уровень — и самое важное достижение на этот раз — Gemini 3.8 Flash выступает в роли агента-наставника реального времени. Пока Genie 4 непрерывно генерирует среду, Gemini 3.8 Flash постоянно наблюдает за сценой, разбивает сложные цели на несколько шагов, а затем, проверяя новые сгенерированные кадры, определяет, выполнен ли текущий шаг.

Как только пользователь вмешивается или состояние мира меняется, Gemini может заново скорректировать план. Важность этого механизма в том, что он вводит способность больших языковых моделей к рассуждению в процесс генерации динамической среды. Раньше модель мира, даже если она умела генерировать реалистичные движения робота, не обязательно гарантировала правильную логику задачи между несколькими действиями. Теперь Gemini может непрерывно обеспечивать планирование, проверку и корректировку, давая системе больше шансов сохранять связность сложных событий.

Примечательно, что Google также исследует дальнейшие комбинации.

В демонстрации, где человекоподобный робот Apollo играет в шашки, планированием задачи занимается Gemini 4 Argon. Она разбивает цель пользователя на шаги, а затем передаёт соответствующие текстовые команды Genie 4, управляя процессом симуляции.

Google называет это направление будущими «гибридными моделями мира» (Hybrid World Models). Базовая идея — соединить структурированное логическое рассуждение, в котором сильны код и языковые модели, с богатой сенсорной симуляцией, в которой сильны пиксельные генеративные модели.

На уровне практического применения и ценности Genie 4 проявляется прежде всего в двух областях: создание контента и полигон для обучения воплощённого ИИ. С одной стороны, это недорогой игровой движок для проб и ошибок: например, разработчикам игр больше не нужно заранее писать код физики и рендеринга — за 30 секунд можно протестировать прототип геймплея и художественные материалы; кинорежиссёры могут в реальном времени входить в динамичную сцену и быстро сравнивать варианты движения камеры и световых решений. С другой стороны, это полигон синтетической реальности для воплощённого ИИ: обучение роботов в реальности дорого и сопряжено с поломками оборудования, а традиционная физическая симуляция упирается в потолок из-за трудоёмкой ручной сборки окружений. Способность модели мира автоматически порождать бесконечный «длинный хвост» сценариев как раз и составляет основу для дешёвого обучения роботов методом проб и ошибок.

Примечания:

1. «Мировая модель» (world model) — устоявшийся в русскоязычной ИИ-литературе термин. Речь идёт о модели, которая не просто генерирует картинку, а строит внутреннее представление о состоянии мира и предсказывает, как оно изменится в ответ на действия. Концепцию активно развивали Ян Лекун (Янн ЛеКюн), Дэвид Ха и другие исследователи.
2. Жюстин Мур (Justine Moore) — партнёр венчурного фонда Andreessen Horowitz (a16z) и одновременно разработчик/энтузиаст в области генеративного ИИ. Это подчёркивает: тестирование проводил не случайный зритель, а человек из индустрии.
3. 24 кадра в секунду — это частота, традиционно ассоциирующаяся с кинематографом. Упоминание 24,6 FPS в демо Жюстин Мур — не просто техническая деталь, а сигнал: генерация уже близка к «киношной» плавности. Просадка до 17 FPS в сложных сценах пока неизбежна, но средний показатель 23,8 говорит о стабильности.
4. Условная генерация на основе действий (action-conditioned generation) — ключевое отличие мировой модели от видеогенератора. В видеогенераторе следующий кадр предсказывается из предыдущего; в мировой модели он предсказывается из предыдущего плюс действия пользователя. Без этого невозможна интерактивность.
5. Консистентность состояния мира (world consistency) — одна из самых трудных проблем. В авто-регрессионных моделях ошибки накапливаются с каждым кадром: предметы «плывут», меняют форму, исчезают. Генерация длительностью 2 минуты — серьёзный шаг вперёд, но проблема полностью не решена.
6. Воплощённый интеллект (embodied AI) — направление ИИ, где агент (чаще всего робот) учится взаимодействовать с физическим миром через тело и сенсоры. Genie 4 позиционируется как «синтетическая реальность» для тренировки таких агентов без необходимости строить реальные полигоны.
7. Gemini 3.8 Flash и Gemini 4 Argon — конкретные версии моделей в семействе Gemini. Flash — быстрая и лёгкая, предназначена для работы в реальном времени; Argon — более мощная, ориентирована на рассуждение и планирование. Названия версий и их позиционирование в линейке могут уточняться по мере развития продукта.
8. Гибридные мировые модели (Hybrid World Models) — термин, введённый Google в этом анонсе. Идея в том, чтобы объединить «символическое» рассуждение (код, логика, язык) и «субсимволическую» генерацию (пиксели, звук, физика). Это перекликается с давней дискуссией в ИИ о нейро-символическом синтезе.