Google DeepMind stellt Weltmodell Genie 4 vor

Posted on Oct 27 • Originally published at elsolitario.org

Google DeepMind acaba de presentar Genie 4, un modelo capaz de simular mundos completos que responden en tiempo real a las acciones de quien los controla. Es la cuarta generación de su modelo de mundos, la familia de sistemas que la compañía usa para construir entornos interactivos desde cero.

La novedad central no es solo la imagen. Genie 4 genera audio ambiental, música y diálogo de forma nativa, al mismo tiempo que construye la escena. DeepMind lo presenta como un paso hacia algo más amplio, un paso necesario para construir inteligencia artificial general (AGI), ya que entender y simular el mundo físico es, según la compañía, un ingrediente clave para lograrlo.

Genie 4 es el modelo de mundos ( world model ) de Google DeepMind que genera simulaciones interactivas en tiempo real, combinando video, audio ambiental y diálogo generados de forma nativa. Construido sobre la familia Gemini, permite que un usuario dispare un evento y el sistema reaccione con imágenes, sonido y comportamiento coherente.

A diferencia de un video generado de punta a punta, Genie 4 funciona como un entorno, ya que responde a las acciones de quien lo controla. El usuario navega con las teclas de dirección estándar mientras un prompt de texto puede alterar el clima, mover la cámara o introducir un objeto nuevo en la escena. DeepMind lo describe como la base para crear simulaciones seguras e infinitamente variables, útiles tanto para entrenar robots y agentes como para construir experiencias interactivas nuevas.

DeepMind anunció Genie 4 el 27 de octubre de 2026 como una vista previa de investigación ( research preview ), no un lanzamiento público, sino una etapa de pruebas con usuarios de confianza antes de abrir el acceso a un círculo más amplio. El anuncio oficial explica que la compañía está recogiendo retroalimentación de ese grupo reducido antes de pasar a consumidores y desarrolladores.

El plan de acceso tiene dos puertas de entrada. La primera es Project Genie, el producto donde DeepMind viene probando esta familia de modelos, al que accederán primero los suscriptores de Google AI Ultra. La segunda es un programa de acceso anticipado para socios de la API de Gemini y de Google AI Studio, pensado para desarrolladores que quieran integrar estas simulaciones en sus propias herramientas.

Según el blog oficial, el sistema permite fijar un evento inicial, por ejemplo un personaje tocando el saxofón sobre una plataforma flotante en medio de un lago, y deja que Genie 4 decida cómo continúa: cómo responde el entorno, cómo suena y cómo se mueven y hablan las personas dentro de él.

Genie 4 no aparece de la nada. Es la cuarta entrega de la familia Genie, que DeepMind viene desarrollando desde 2024. La primera versión generaba mundos jugables en dos dimensiones a partir de una sola imagen; Genie 2 dio el salto a entornos tridimensionales más consistentes; Genie 3 incorporó interacción en tiempo real con controles estándar de teclado y cámara. Cada generación resolvió un problema distinto, como la persistencia espacial, la duración de la simulación o la capacidad de respuesta a las acciones del usuario.

Lo que faltaba, y es el salto que marca esta generación, era el sonido y el diálogo generados junto con la imagen. Hasta la versión anterior, los mundos de DeepMind eran mudos, se podían recorrer, pero no se podían escuchar. Generar audio coherente con una imagen en movimiento es, en términos de diseño, un problema distinto a generar solo video, porque hay que sincronizar dos modalidades que evolucionan en el tiempo a la vez que se mantiene la coherencia de la escena.

Por eso DeepMind lo presenta como una generación completa, no como una actualización incremental de Genie 3. VersiónQué sumóLimitaciónGenie (2024)Mundos 2D jugables generados desde una sola imagenSin persistencia 3D ni audioGenie 2Entornos 3D más consistentes y de mayor duraciónSin diálogo ni sonido ambientalGenie 3Interacción en tiempo real con teclado y cámaraMundos mudos, sin audio nativoGenie 4Audio, música y diálogo generados de forma nativaAcceso limitado a testers de confianzaDeepMind construye Genie 4 sobre la familia de modelos Gemini.

El mecanismo detrás de Genie 4 combina dos tipos de modelos de la familia Gemini, cada uno con un trabajo distinto. Gemini Omni ancla la simulación en apariencia y comportamiento realistas. Decide cómo se ve la luz sobre el agua o cómo se mueve un brazo al tocar un instrumento. El resto de los modelos Gemini se encarga del razonamiento complejo necesario para mantener la coherencia y la continuidad de la escena a lo largo del tiempo.

Esa división de trabajo explica por qué Genie 4 no pierde el hilo de lo que pasó treinta segundos atrás en la simulación. Mientras un modelo genera la apariencia cuadro por cuadro, el otro supervisa que la física, los objetos y los personajes sigan siendo los mismos entre una imagen y la siguiente, algo que los modelos de video generativos sin un componente de razonamiento tienden a perder con el tiempo.

El control del usuario tiene dos canales. Uno es físico: las teclas de dirección estándar para navegar y mover la cámara, igual que en un videojuego. El otro es en lenguaje natural, mediante un prompt de texto que puede cambiar el clima, reposicionar la cámara o introducir un personaje nuevo, y Gemini adapta ese pedido para que combine con lo que ya existe en la escena. Entre una instrucción y la siguiente, el mismo sistema sigue vigilando la simulación para que avance de forma coherente sin intervención adicional.

El propio anuncio de DeepMind ilustra esto con un ejemplo concreto. Una escena de una persona tocando el saxofón sobre una plataforma flotante en un lago, con niebla, luz difusa y el sonido del instrumento generado junto con la imagen. Es el tipo de detalle atmosférico que antes requería un equipo de producción entero y que ahora se describe en un prompt de texto.

💭 Clave: Genie 4 no genera un video que después reproduce. Genera cuadro por cuadro, en respuesta a lo que el usuario hace, como un motor de videojuego que inventa su propio contenido sobre la marcha.

No hay forma directa de verificar desde afuera cómo se reparte el trabajo entre Gemini Omni y los modelos de razonamiento, porque DeepMind no publicó detalles de arquitectura, pesos ni métricas de evaluación junto con el anuncio. Por ahora, la única fuente disponible es la demostración en video que acompaña el blog oficial.

flowchart TD U [ "Usuario: teclado y prompts de texto" ] -- > G4 [ "Genie 4" ] G4 -- > GO [ "Gemini Omni: apariencia y comportamiento" ] G4 -- > GR [ "Modelos Gemini: razonamiento y coherencia" ] GO -- > W [ "Mundo simulado: video, audio y dialogo" ] GR -- > W Enter fullscreen mode Exit fullscreen mode Impacto y análisis DeepMind encuadra este trabajo dentro de su objetivo declarado de avanzar hacia la AGI. Entender y simular el mundo, dice la compañía en su anuncio, es un aspecto crucial para lograrlo. La apuesta es que un simulador de mundos realista sirva como entorno de entrenamiento para robots y agentes, un terreno donde probar comportamientos sin el costo ni el riesgo de hacerlo en el mundo físico.

Esa aplicación no es nueva en la industria. Distintos laboratorios de inteligencia artificial vienen explorando mundos simulados como fuente de datos de entrenamiento para robótica, precisamente porque conseguir datos reales de un robot interactuando con su entorno es lento y caro. Lo que distingue a este modelo de mundos es que apunta a simulaciones multimodales completas, con sonido y diálogo incluidos, en lugar de limitarse a geometría y física visual.

El otro uso que DeepMind menciona explícitamente es la creación de experiencias interactivas nuevas, más cercanas al entretenimiento que a la robótica. Ahí la pregunta abierta es de calidad y control. Una simulación que inventa lo que sigue puede sorprender gratamente o desviarse de lo que el usuario esperaba, y ese equilibrio entre creatividad y previsibilidad es justamente lo que la vista previa actual con testers de confianza busca medir antes de abrir el acceso.

⚠️ Ojo: Genie 4 todavía no está disponible para el público general ni para la mayoría de los desarrolladores. Es una vista previa cerrada, y DeepMind no publicó ninguna métrica de rendimiento, duración máxima de sesión ni resolución junto con el anuncio.

El acceso se va a abrir en capas. Primero sigue con los testers de confianza que ya lo están usando para que DeepMind recoja retroalimentación. Después, la compañía planea sumar a los suscriptores de Google AI Ultra dentro de Project Genie y a los socios de acceso anticipado de la API de Gemini y Google AI Studio. DeepMind no publicó una fecha para la disponibilidad general ni para consumidores finales.

Tampoco detalló condiciones de precio, límites de uso ni políticas de contenido para cuando el sistema salga del círculo cerrado de pruebas. Son preguntas razonables para un modelo que genera mundos completos con personas, voces y sonidos realistas. ¿Cuánto control conserva DeepMind sobre lo que el modelo puede simular? ¿Y qué pasa el día en que cualquier usuario, no solo un tester seleccionado, pueda escribir el prompt inicial?

Probalo vos: anotate en la waitlist de Project Genie desde el blog oficial de DeepMind para ver si te llega acceso temprano a Genie 4.

Genie 4 es la cuarta generación del modelo de mundos de DeepMind, un sistema que genera simulaciones interactivas en tiempo real con video, audio y diálogo nativos, construido sobre la familia Gemini.

Genie 3 ya permitía navegar mundos generados en tiempo real con teclado y cámara, pero esos mundos eran mudos. Genie 4 agrega audio ambiental, música y diálogo generados junto con la imagen, no añadidos después.

Solo un grupo de testers de confianza seleccionados por DeepMind. El acceso más amplio llegará después a suscriptores de Google AI Ultra en Project Genie y a socios de acceso anticipado de la API de Gemini.

Genera ambos de forma nativa y simultánea. Música, ruido ambiental y diálogo interactivo se producen junto con las imágenes, no se agregan después con un modelo de audio aparte.

DeepMind lo plantea como entorno de entrenamiento para robots y agentes, y como base para crear experiencias interactivas nuevas, ya que simular el mundo es, según la compañía, un paso clave hacia la AGI.

DeepMind no dio una fecha de disponibilidad general. El acceso anticipado para desarrolladores llegará vía la API de Gemini y Google AI Studio, después de la etapa actual de pruebas cerradas.

📱 ¿Te gusta este contenido? Únete a nuestro canal de Telegram @programacion donde publicamos a diario lo más relevante de tecnología, IA y desarrollo. Resúmenes rápidos, contenido fresco todos los días.