グーグルDeepMind、音声も生成する世界モデル「Genie 4」公開 ロボット模擬に照準

グーグルDeepMindは27日、ブログで新しいリアルタイム世界モデル「Genie 4」を信頼できるテスター向けの研究プレビューとして提供し始めたと発表した。次はProject GenieのGoogle AI Ultra契約者と、Gemini APIおよびGoogle AI Studioの早期利用パートナーに広げる。外観と動きはGemini Omniを土台とし、Genieシリーズで初めて音声を直接生成する。利用者の入力に反応して話す人物も描く。

ロボット分野で注目すべきは制御の仕組みだ。Gemini 3.8 Flashが誘導エージェントとしてループ内で動き、Genieが描く画面を見ながら目標を手順に分け、各手順の成否を確認する。実演ではGemini 4 Argonが作業を手順に分解し、その手順を字幕としてGenie 4に渡しながら、アプトロニックの人型ロボットApolloがチェッカーを指す場面をリアルタイムで描いた。ユニバーサルロボットのUR5アームがピペットで液体を滴下する例も示された。同社はこうした仮想世界をロボットやエージェントの訓練環境に使えるとし、企業パートナーがシナリオ生成に試していると説明した。

限界も明記している。セッションが長くなったりプロンプトを何度も修正したりすると、細部や物体の永続性がずれていく。複雑な物理的相互作用や空間精度、長期の一貫性は研究途上だという。モデルページは連続操作の時間を数分としている。

MEKAWIRE分析の文脈では、Genie 4公開の翌日にグーグルクラウドがGemini Robotics ER 2を企業向けプレビューとして公開し、2週間前にはGemini 4 Argon for Roboticsが出た。グーグルは推論モデル、行動モデル、生成型シミュレーターをそろえたことになる。ロボット訓練向け世界モデルではエヌビディアのCosmosやWorld Labsが競合する。数分で崩れる映像の世界はシナリオの幅を広げる道具であり、MuJoCoやIsaac Simのような物理エンジンの代わりにはまだならない。人手不足を背景に模擬環境での学習を急ぐ日本のロボットメーカーにとっては、選択肢が一つ増えた形だ。