Els anomenats «models de món» són sistemes d'IA que no generen un text ni un vídeo tancat, sinó un entorn per on l'usuari es mou i que respon a les seves accions, com un videojoc que s'inventa fotograma a fotograma. Google DeepMind va presentar Genie 3 com a prova de recerca fa poc més d'un any, i el sector s'ha mogut de pressa: segons TechCrunch, AMD està comprant World Labs, l'empresa de Fei-Fei Li, i Runway va treure GWM Worlds 2 fa un parell de mesos.
Aquest dimarts, 27 d'octubre, DeepMind ha presentat Genie 4. Segons el blog de l'empresa, és el primer model de món en temps real que genera el so de manera nativa: música, so ambiental i diàlegs, a més de la imatge. L'usuari s'hi desplaça amb el teclat i pot canviar l'escena amb instruccions escrites —el temps que fa, l'angle de la càmera, afegir-hi persones o objectes—, i un model Gemini adapta aquestes ordres a l'escena i la fa avançar entre una instrucció i l'altra. Segons TechCrunch, manté una escena coherent fins a dos minuts, el doble que la versió anterior.
Google no ho presenta només com una eina creativa. En un exemple del blog, Gemini 4 Argon i Genie 4 simulen un robot humanoide Apollo, d'Apptronik, que juga a dames: Gemini divideix l'objectiu en passos, Genie en genera les imatges i Gemini revisa els fotogrames per comprovar si la tasca avança. La idea és que robots i agents d'IA puguin assajar situacions en un món simulat abans de trobar-les al món real. Els primers provadors, segons l'empresa, l'han fet servir per previsualitzar escenes de cinema, convertir fotos d'arxiu en simulacions o fer prototips de jocs.
De moment és una versió de recerca per a provadors de confiança. Google diu que arribarà «aviat» als subscriptors d'AI Ultra a través de Project Genie i a alguns socis de l'API de Gemini, sense dates ni països. L'empresa admet que els detalls i els objectes es desfiguren com més dura la sessió, sobretot després de diverses edicions, i que encara treballa en la precisió del so, el text llegible i la coherència a llarg termini. Totes les imatges i l'àudio porten SynthID, la marca d'aigua invisible de Google. No n'ha fet pública ni la resolució ni la velocitat de fotogrames.