Genie 4：生成中の世界に介入できるワールドモデル
場面をつくり、その中に入り、天候や人物、次に起こる出来事を変える。Genie 4の焦点は映像そのものより、操作を受けて続くシミュレーションにある。
生成動画には始まりと終わりがあり、見る人は再生するだけだ。対話できる世界には、もう一つの循環が必要になる。人が移動したり指示を出したりすると、システムがその後の出来事を生成する。DeepMindが示したGenie 4の記録では、キーボードによる移動やカメラ操作に加え、動いている場面の天候、物、人を文章で変えられる。
一枚の画像から、続いていく世界へ
DeepMindは今回の進歩を四つに分ける。リアルタイムの場面変更、人や物理的な動きの写実性、世界と同時に生成される音、そしてGeminiモデルが導く複数段階の出来事だ。前半は目の前の体験を変え、後半は時間が進んでも出来事をつなげようとする。
重要なのは継続的な修正だ。同社によると、Gemini 3.8 FlashがGenie 4の新しい画面を観察し、手順の成否を確認して計画を変える。別の実演では、Gemini 4 Argonが人型ロボットのチェッカーの課題を小さな手順に分け、実行中のGenie 4を文章で誘導した。計画と確認を担うモデル、見えて聞こえる世界を生成するモデルという役割分担が見える。
まずは「中に入れる下書き」と考える
初期のテスターは、完成したゲームエンジンや工学用シミュレーターを使っているわけではない。映画の制作者は場面の事前検討に、報道関係者は古い写真から環境を探索する試みに、ゲームチームはコードを書く前の視覚表現や操作の検討に使っている。素早く歩き回れる下書きとしては有益だが、歴史の証拠や物理現象の予測として扱うべきではない。
ロボット研究では、同じ課題を異なる環境で何度も試せる点が魅力となる。ただし美しい映像は、正しい力学を保証しない。学習や安全評価に使うなら、動作の結果、空間関係、時間を通じた状態の一貫性を、現実の結果と照らす必要がある。
実演の先に残る検証項目
DeepMind自身が限界も挙げている。長い実行時間、複雑な指示の繰り返し、場面内の広い移動によって、細部や物体の存在が変化する可能性がある。複雑な物理現象、リアルタイム音声の正確さ、読める文字、空間精度、長期的な一貫性は研究途上だ。信頼できるシミュレーションに必要な性質ほど、まだ確かめるべき部分が多い。
- 連続性：人物や物が、振り返った後や一度離れて戻った後も同じ状態か。
- 因果性：一つの条件を変えると、その後の出来事も予測可能な形で変わるか。
- 再現性：同じ課題を繰り返したとき、成功率と失敗の傾向を記録できるか。
現在のGenie 4は選ばれたテスター向けの研究プレビューだ。Project GenieではGoogle AI Ultraの契約者に、Gemini APIとGoogle AI Studioでは早期パートナーに順次提供するという。誰でも使える正式公開ではない。また、生成される動画と音声にはSynthIDの透かしを付けるとしている。
Genie 4が重要なのは、一枚の画像がどれほど本物らしいかではなく、指示、行動、結果の確認が同じ世界で繰り返され始めたことだ。その循環が長く複雑な課題にも耐えられるかが、創作ツールや学習環境としての次の判断材料になる。