Google DeepMind ha presentado este martes Genie 4, la nueva versión de su «modelo del mundo», un tipo de IA que no genera un vídeo cerrado, sino un entorno que se va creando fotograma a fotograma mientras el usuario lo recorre con el teclado. La novedad llega con tres saltos claros respecto a Genie 3: imágenes mucho más realistas, sonido generado a la vez que la escena (incluidas voces que dialogan) y la posibilidad de cambiar el mundo en directo escribiendo lo que se quiere.
Por ahora solo pueden usarlo un grupo reducido de probadores de confianza, pero Google ya ha abierto una lista de espera y ha anunciado que llegará primero a los suscriptores de su plan más caro y a desarrolladores seleccionados.
Qué es un modelo del mundo y qué cambia con Genie 4
En un videojuego, cada escenario y cada objeto interactivo tienen que diseñarse y programarse antes. Un modelo del mundo funciona al revés: se le describe una escena y la IA la va generando en tiempo real a medida que el usuario se mueve por ella. Como recuerda Ars Technica, la presentación de Genie 3 el año pasado llegó a hacer caer en bolsa a varias empresas de videojuegos, y desde entonces este campo se ha convertido en una prioridad para los grandes laboratorios.
Genie 4 mantiene la coherencia de la escena durante unos dos minutos, el doble que su predecesor, según TechCrunch y The Verge. DeepMind asegura además que simula mejor la física, con ejemplos como la aerodinámica o las colisiones, y que las personas que aparecen en sus mundos se mueven y reaccionan de forma más natural, que es lo que la compañía describe como su avance más llamativo.
Sonido y diálogo generados con la escena
Es el primer modelo del mundo de DeepMind con audio nativo. Cada entorno trae su propio sonido ambiente, desde el viento entre los árboles hasta las olas, y también puede generar música. Lo más ambicioso es el diálogo: los personajes pueden conversar y reaccionar a lo que hace el usuario o a lo que ocurre en la escena, todo en tiempo real. Ars Technica lo califica como el mayor salto del modelo, con el matiz de que habrá que ver si funciona tan bien como promete.
Gemini, el «director» que mantiene el mundo en orden
Buena parte de la mejora viene de su integración con la familia Gemini. Según el blog de DeepMind, Gemini Omni ayuda a que las simulaciones tengan un aspecto y un comportamiento creíbles, mientras que Gemini 3.8 Flash actúa como agente guía: observa la escena, divide los objetivos en pasos y revisa los fotogramas para comprobar que cada paso se cumple. Cuando el usuario escribe un cambio, como otra climatología, otro ángulo de cámara o una persona nueva, Gemini adapta esa orden al contexto de la escena.
«Lo que veremos cada vez más en el futuro son estos modelos del mundo híbridos», explicó Tejas Kulkarni, director de investigación de Google, en una sesión con periodistas recogida por TechCrunch, en referencia a combinar a Gemini, que escribe código y texto, con Genie, que lo simula en tiempo real.
Del cine a los robots
DeepMind ha probado el modelo con usuarios del cine, el periodismo, la educación, los videojuegos y la ingeniería. Los cineastas lo usan como un «modo borrador» para la previsualización: entran en una escena y prueban varias tomas cambiando cámara, luz o diálogo sobre la marcha. Los estudios de videojuegos, por su parte, lo ven como una forma de pasar de una idea a un prototipo explorable antes de escribir código.
En robótica, la compañía ha combinado Genie 4 con otro modelo, Gemini 4 Argon, para simular al robot humanoide Apollo, de Apptronik, jugando a las damas: Argon divide la tarea en pasos y Genie los representa en tiempo real. La idea es poder ensayar situaciones antes de llevarlas al mundo físico.
Sus límites, reconocidos por la propia Google
DeepMind insiste en que sigue siendo un modelo experimental. Los detalles y la permanencia de los objetos pueden variar cuanto más dura la simulación o tras varias ediciones complejas, y todavía trabaja en la precisión del audio, en que el texto que aparece en la escena sea legible y en la consistencia a largo plazo. Todo el vídeo y el audio que genere llevará SynthID, la marca de agua invisible de Google para identificar contenido creado por IA.
Cuándo y quién podrá usarlo
Genie 4 llegará «próximamente» a los suscriptores de Google AI Ultra dentro de Project Genie y a socios con acceso anticipado a la API de Gemini y a Google AI Studio. No hay fecha concreta ni precio para desarrolladores. Ars Technica recuerda que los planes AI Ultra parten de 100 dólares al mes y que Google podría ampliar el acceso más adelante a otros planes.
Fuentes
- Google DeepMind: Genie 4: A new generation of world simulation
- TechCrunch: Google’s Genie 4 world model adds audio, more realistic worlds, and real-time steering
- Ars Technica: DeepMind unveils Genie 4 world model promising more realistic physics and humans
- The Verge: Google’s next Genie AI model generates more realistic experiences