Googleは、同社の「ワールドモデル（World Models）」カテゴリーにおける最新モデルであるGenie 4のリリースを発表しました。これは、現実をシミュレートするAIの能力における飛躍的な進歩を象徴しています。単語を予測する大規模言語モデル（LLM）とは異なり、Genie 4は環境の内部シミュレーションの構築に焦点を当てており、シーン内の空間、時間、重力、およびその他の物理的な力の変化を予測します。
シミュレーションの進化：音声、物理学、および一貫性
Genie 4は、前身のGenie 3とは異なるいくつかの本質的な改善点があり、その中でも最も顕著なのは、Google初のネイティブ音声生成（Native Audio Generation）をサポートするワールドモデルであることです。このモデルは視覚的なシーンを生成するだけでなく、シミュレートされた環境に合わせた環境音を自動的に作成し、さらにシーンの展開に合わせてダイナミックに反応・変化する人間の対話も生成します。
技術的なパフォーマンスの面では、このモデルは以下の機能を実現しました：
- シーンの一貫性： モデルはシーンの安定性と一貫性を最大2分間維持することができ、これは前バージョンの能力の2倍に相当します。
- 物理シミュレーション： 空力学（Aerodynamics）や衝突などの複雑なシナリオのシミュレーションをサポートし、周囲の環境に有機的に反応する自然な人間の動きを実現します。
- リアルタイムのインタラクション： ユーザーは自然言語による指示を通じて、リアルタイムで世界を形成したり、天候を変えたり、カメラを動かしたり、新しい要素を追加したりすることができます。
Gemini 3.8 Flashとの統合
Genie 4は、「ガイディング・エージェント（Guiding Agent）」の役割を果たすGemini 3.8 Flashモデルと並行して動作します。Geminiは複雑な命令を小さなステップに分解し、Genie 4によって生成されるシーンを継続的に監視して、実行が意図した経路から外れないようにします。また、ユーザーが予期せぬ形で出来事の流れを変更した場合、ステップを調整するために介入します。
実用面では何が変わるのか？
この進化は、単なる「ビデオ生成」から「インタラクティブな世界の構築」への移行を意味します。開発者や研究者にとって、これはリアルな音声と物理学を含む高精度な仮想テスト環境を作成できることを意味し、ロボットのトレーニングやゲーム開発、拡張現実（XR）における新たな可能性を切り開く可能性があります。音声と物理的な動きを一つのモデルに統合する能力は、デジタルシミュレーションと物理的な現実との間のギャップを縮小させます。
利用可能性と技術的制限
Googleは、Genie 4がまだリサーチ・プレビュー（Research Preview）段階にあり、現在は選ばれた信頼できるテスターのみが利用可能であることを明らかにしました。今後数週間以内に、Project Genieを通じてGoogle AI Ultraのサブスクライバー、およびGemini APIとGoogle AI Studioの早期アクセスパートナー向けに提供される予定です。
しかし、同社は、このモデルはまだ実験段階であり、長時間のセッションでは視覚的な矛盾が生じる可能性があると指摘しています。透明性を確保するため、モデルが生成するすべてのコンテンツには、AI生成コンテンツを識別するためのGoogle独自の技術であるSynthIDを使用して、目に見えないウォーターマークが付与されます。