Genie 4: Googles KI bygger verdener med lyd som du styrer med ord

Genie 4 er Google DeepMinds nye verdensmodell, og verdenene den skaper, har endelig fått lyd. Beskriv en scene i én setning, eller gi modellen et referansebilde, så lager den et sted du kan bevege deg rundt i med tastaturet, mens den spiller av vinden i trærne, bølgene på stranden og stemmene til menneskene som står der. Nå kan disse menneskene også føre samtaler som tilpasser seg det du gjør – noe DeepMind beskriver som det virkelige gjennombruddet i denne versjonen.

For alle som har prøvd tidligere versjoner, er den største endringen hvor mye kontroll du får. Du kan skrive en instruks som endrer været, svinger kameraet eller plasserer en ny person eller gjenstand i scenen, og Gemini omformulerer forespørselen slik at den passer inn i det som allerede vises på skjermen. Mellom kommandoene dine fortsetter Gemini å styre simuleringen, slik at verden ikke faller fra hverandre. Det føles mindre som å spille et videospill og mer som å regissere et filmsett der opptaket aldri stopper – slik noen av de tidlige testerne allerede bruker det.

Gemini planlegger scenen mens Genie tegner den

Genie 4 bygger videre på resten av Googles modellfamilie. Ifølge DeepMinds kunngjøring forankrer Gemini Omni hver simulering i hvordan verden ser ut og oppfører seg i virkeligheten, mens andre Gemini-modeller står for resonneringen som holder scenen sammen fra det ene øyeblikket til det neste. Gemini 3.8 Flash fungerer som en veiledende agent i løkken: Den følger med på verden mens Genie 4 tegner den, deler et mål opp i trinn, sjekker innkommende bilder for å bekrefte at hvert trinn fungerte, og legger om planen når du avbryter.

DeepMind sier at det største spranget gjelder menneskene. Karakterene beveger seg mer naturlig, reagerer på omgivelsene og kan styres mens simuleringen pågår, og modellen håndterer fysikk som aerodynamikk og kollisjoner. Demoene på selskapets blogg viser blant annet et lønnefrø som virvler ned i gresset, en fullsatt togstasjon på landsbygda i Japan på 1980-tallet og et dragerace sett fra førstepersonsperspektiv, akkompagnert av drønnende vingeslag. All lyden er generert av Genie 4 selv. Genie 3 skapte lydløse verdener i 720p og 24 bilder i sekundet. Denne gangen har DeepMind ikke oppgitt tall for oppløsning eller bildefrekvens, så forbedringen kan bare vurderes ut fra klippene selskapet selv har publisert.

Spill er ikke det eneste målet. DeepMind sier at simulering av verden er et avgjørende steg på veien mot kunstig generell intelligens, og i én demo brukes Genie 4 sammen med Gemini 4 Argon til å simulere humanoidroboten Apollo fra Apptronik mens den spiller dam. Argon deler oppgaven opp i trinn og sender dem til Genie 4 som tekstbeskrivelser mens scenen gjengis. På lang sikt er forretningsideen å tilby trygge øvingsverdener for roboter og programvareagenter, med uendelig variasjon – lenge før noen begynner å selge et Genie-spill.

Filmskapere og fotojournalister fikk prøve først

DeepMind har testet Genie 4 med grupper fra kreative bransjer, journalistikk, utdanning, spillutvikling og ingeniørfag. Filmskapere bruker modellen som et førsteutkast til forhåndsvisualisering: De går inn i en scene mens den utspiller seg, prøver flere opptak og justerer kameravinkler, lyssetting, dialog og handling underveis. Spillutviklere kan gå fra idé til en prototype de kan utforske på sekunder, før de skriver en eneste linje med spillmotorkode. Bedriftspartnerne prøver den ut for rask generering av ulike scenarioer.

Det mest følsomme eksperimentet involverer fotojournalister, som tester hvordan ett enkelt arkivfotografi på sekunder kan bli til en simulert versjon av stedet, befolket og i bevegelse. DeepMind nevner også visualisering av hvordan en styrtflom eller skogbrann utvikler seg. En overbevisende vandring gjennom en ekte historisk gate, der oppdiktede mennesker snakker, er også en overbevisende forfalskning. DeepMinds svar er SynthID, det usynlige vannmerket selskapet legger inn i alle video- og lydopptak Genie 4 produserer, i tillegg til interne sikkerhetsvurderinger og en gradvis utrulling. SynthID hjelper bare hvis plattformer og seere faktisk bruker et verktøy for å oppdage merket, og det er ingenting på skjermen som forteller en vanlig seer at opptaket er syntetisk.

Verdenene driver fortsatt ut av kurs

DeepMind er uvanlig åpen om begrensningene. Genie 4 holder et miljø sammen gjennom korte økter, men visuelle detaljer og objekters vedvarende tilstedeværelse kan endre seg når simuleringen varer lenger, etter flere komplekse endringer i instruksjonene eller mens du beveger deg rundt i scenen. Komplekse fysiske samspill, presis lyd i sanntid, lesbar tekst, romlig nøyaktighet og langsiktig konsistens er alle oppført som uløste forskningsproblemer. Kort sagt er kanskje ikke bokhyllen du gikk forbi for et minutt siden, den samme når du snur deg tilbake.

De fleste har foreløpig heller ingen mulighet til å prøve modellen. Genie 4 er en forskningsforhåndsvisning som bare er tilgjengelig for betrodde testere. Google sier at den snart kommer til Google AI Ultra-abonnenter gjennom Project Genie, nettappen deres for å generere verdener, og til partnere med tidlig tilgang gjennom Gemini API og Google AI Studio. Ventelisten er allerede åpen. Det er ingen lanseringsdato, ingen pris oppgitt utover Ultra-abonnementet – Googles dyreste AI-abonnement – og ingen informasjon om hvilke land som får tilgang først. Da Project Genie ble lansert 29. januar 2026, med Genie 3, var tjenesten bare åpen for Ultra-abonnenter i USA som var 18 år eller eldre, og øktene var begrenset til 60 sekunder.

DeepMind kunngjorde Genie 4 27. oktober 2026 i et innlegg signert Raia Hadsell, Diego Rivas og Hang Qi. Serien startet i februar 2024 med en modell som gjorde bilder om til enkle todimensjonale plattformspill, gikk over til 3D med Genie 2 i desember 2024 og nådde utforsking i sanntid med Genie 3 i august 2025. Hver generasjon har lagt til noe nytt: først en tredje dimensjon, så bevegelse i sanntid, og nå lyd og tale. Det Genie 4 fortsatt må bevise, er at en verden kan huske seg selv lenger enn en kaffepause.

Tagger: kunstig intelligens, Google, Gemini, Google DeepMind, Genie 4, Project Genie