Google DeepMind stellt Weltmodell Genie 4 mit Ton vor und zielt auf Robotersimulation
Google DeepMind stellte am 27. Oktober in einem Blogbeitrag Genie 4 vor, ein interaktives Echtzeit-Weltmodell, das Ton und sprechende Figuren direkt erzeugt und von Gemini 3.8 Flash als Planungsagent gesteuert wird.
DeepMind zeigte, wie Gemini 4 Argon und Genie 4 den Humanoiden Apollo von Apptronik beim Damespiel simulieren, und nennt Trainingsumgebungen für Roboter als Einsatzzweck. Genie 4 ist eine Research Preview für ausgewählte Tester; Sitzungen bleiben nur wenige Minuten konsistent.
Google DeepMind teilte am 27. Oktober in einem Blogbeitrag mit, dass Genie 4, das neue Echtzeit-Weltmodell, als Research Preview an ausgewählte Tester ausgerollt wird; danach folgen Google-AI-Ultra-Abonnenten in Project Genie sowie Early-Access-Partner der Gemini API und von Google AI Studio. Genie 4 baut für Aussehen und Verhalten auf Gemini Omni auf und ist das erste Genie-Modell, das Ton selbst erzeugt, einschließlich Figuren, die sprechen und auf Eingaben reagieren.
Für die Robotik zählt die Steuerung. Gemini 3.8 Flash läuft als lenkender Agent in der Schleife, beobachtet die gerenderten Bilder, zerlegt ein Ziel in Schritte und prüft, ob jeder Schritt gelungen ist. In einer Demonstration zerlegte Gemini 4 Argon eine Aufgabe in Schritte, die Genie 4 als Textuntertitel erhielt, während es den Humanoiden Apollo von Apptronik beim Damespiel simulierte; ein weiterer Prompt zeigte einen UR5-Arm von Universal Robots beim Pipettieren. DeepMind sieht solche Welten als Trainingsumgebungen für Roboter und Agenten; Unternehmenspartner testen das Modell zur Szenarienerzeugung.
Die Grenzen nennt der Beitrag offen: Details und Objektpermanenz driften, je länger eine Sitzung läuft oder je öfter der Prompt geändert wird; komplexe physikalische Interaktionen, räumliche Genauigkeit und Langzeitkonsistenz sind offene Forschungsfragen. Die Modellseite spricht von wenigen Minuten durchgehender Interaktion.
MEKAWIRE-Kontext: Einen Tag nach Genie 4 stellte Google Cloud Gemini Robotics ER 2 als Unternehmens-Preview bereit, zwei Wochen zuvor kam Gemini 4 Argon for Robotics. Google hat damit Reasoning-Modell, Aktionsmodell und generierten Simulator im Haus. Konkurrierende Weltmodelle für Robotertraining bieten NVIDIA mit Cosmos und World Labs. Eine Pixelwelt, die nach Minuten driftet, erweitert die Szenarienvielfalt, ersetzt aber noch keine Physik-Engines wie MuJoCo oder Isaac Sim, auf die auch europäische Automatisierer bei der virtuellen Inbetriebnahme setzen.