Google DeepMindが発表したGenie 4は、単なる映像生成モデルではない。目指しているのは、ユーザーが合図を与えると、その先に起こる出来事を世界ごと続けて描ける「world model」だ。しかも今回は、見た目だけでなく音や人の動き、会話まで一体で扱うところを前面に出してきた。AIがテキストや静止画を作る段階から、仮想空間の中で物理法則や状況の変化を保ちながら振る舞う段階へ進みつつある、という話として読むと分かりやすい。研究色は強いが、ロボット訓練や新しいインタラクティブ体験に波及する可能性があるので、見過ごしにくい発表でもある。
Google DeepMindは2026年10月27日、Genie 4を新しいworld modelとして発表した。狙いは、リアルタイムのインタラクティブなシミュレーションをこれまでより現実に近い形で動かすことだという。Genie 4はnatively multimodalで、世界の映像だけでなく、音楽のような音、環境音、そして対話まで同時に生成できる。DeepMindはこれを、単独のモデルというよりGeminiファミリーの能力を組み合わせたものとして説明している。Gemini Omniが見た目や振る舞いを現実世界に寄せる土台になり、別のGeminiモデルが、シミュレーションの一貫性や連続性を保つための推論を支える。
記事では、Genie 4が「何かを始めると、その次に何が起きるか」をシミュレートすると説明している。たとえば風景の中で出来事を起こすと、周囲がどう反応するか、人がどう動き、どう声を出し、どんな音が鳴るかまで追従する。しかも、リアルタイムで自然言語の指示を受けて、天気を変えたり、カメラを動かしたり、新しい人物や物体を追加したりできる。さらに、その指示は周囲のシーンに合わせてGeminiが文脈的に解釈するため、単に命令をそのまま適用するのではなく、場面全体の流れに沿うよう調整されるとしている。
DeepMindは、このモデルの見どころを四つの能力として示している。ひとつは、リアルタイムで世界を形作れること。もうひとつは、物理の理解があることだ。Genie 4は空力や衝突のような現実の物理をシミュレートできるとされる。三つ目は、人間やキャラクターの動きで、自然に歩いたり、環境に反応したり、リアルタイムで操作できる人物表現を強化した点。四つ目は、フォトリアルさと音声で、より自然な見た目と、モデル自身が作るネイティブオーディオを備えていることだ。記事中のデモでは、サックスを吹く人物、丘の上を流れるピンクの布、南極上空の気球、1980年代の日本の駅のような場面が提示されている。いずれも、見た目だけではなく、動きや音の連続性を売りにしているのが特徴だ。
公開の仕方は段階的だ。Genie 4はまず、trusted testers向けのresearch previewとしてロールアウトされる。一般消費者や開発者向けの提供はその後で、最初はGoogle AI Ultraの加入者がProject Genie経由で触れられるようになり、さらにGemini APIとGoogle AI Studioの早期アクセスパートナーにも広がる予定だという。つまり、すぐに一般向け製品として広く使わせるのではなく、まず研究段階でフィードバックを集める姿勢を取っている。
この記事を読んで最初に感じたのは、Genie 4は「きれいな映像を作るAI」ではなく、「出来事の継続」を扱おうとしている点に重心がある、ということだった。動画生成モデルはすでに多いが、そこでは多くの場合、見た目の破綻が少ないか、動きが滑らかかが主な勝負になる。Genie 4はそこに、物体の配置、人の行動、音の一貫性、カメラ視点の独立性までまとめて持ち込もうとしている。つまり、1本の映像を作るより、世界のルールを保ったまま先の出来事を続けることに価値を置いている。ここはかなり重要で、映像生成とworld simulationのあいだに線を引こうとしているように見える。
ただ、この方向性は便利さと同時に難しさも抱える。世界を長く保つほど、破綻は目立つ。人の動きが自然でも、少し長く見れば因果がずれたり、物体の位置関係が崩れたりするはずだ。DeepMindはそこを「一貫性と連続性を保つ推論」で補うと言うが、逆に言えば、そこがまだ最大の課題でもあるのだと思う。デモは説得力がある一方で、実運用ではユーザーが何を入れても破綻しない、というレベルにはまだ遠いだろう。だからこそ研究プレビューという形は妥当だし、むしろこの段階で派手に一般公開しないのは誠実でもある。
natively multimodalという表現は派手だが、実際にはかなり野心的だ。映像だけなら後から音を足すこともできるが、Genie 4は環境音や会話を世界の変化と同時に作る。ここでの難しさは、単に音が鳴るかどうかではなく、何がその音を生んだのかを世界内で説明できることにある。たとえばサックスの音は演奏している人の動きと結びついていなければならないし、風の音は地形や天候とずれていてはいけない。音が増えるほど、嘘っぽさはむしろ露呈しやすい。だからこの機能は、見栄えのためというより整合性の試金石でもある。
この点は、AIの世界生成を考えるとかなり面白い。画像生成では、多少の不自然さがあっても一枚の印象で押し切れる。だが、シミュレーションは時間があるぶん、ごまかしが効きにくい。声、足音、風、物体のぶつかる音まで合わさると、観る側は自然に「本当にそこにあるのか」を判断してしまう。だからGenie 4が音を前面に出したのは、単なるリッチ表現ではなく、シミュレーションの信頼性を示すためでもあるはずだ。逆に言えば、ここで破綻が少ないなら、世界モデルとしての説得力はかなり増す。
DeepMindはGenie 4を、ロボットやエージェントの訓練環境づくりに役立つと述べている。これはもっともな話だが、私が注目したのは、単なる3D空間の美しさより、失敗や予期せぬ出来事を何度でも再現できるかどうかだ。ロボット学習では、現実世界で試す前に、ぶつかる、落とす、滑る、迷うといったケースを大量に経験させたい。そこではフォトリアルさより、因果が崩れず、条件を変えても世界が同じルールで動くことのほうが大事になる。Genie 4の価値は、見た目の派手さ以上に、そうした訓練データを柔軟に作れる点にあるのではないか。
一方で、これをそのまま「AGIに近づく一歩」と受け取るのは少し急ぎすぎだと思う。世界を理解するモデルが進化しているのは確かだが、現実世界の全体を閉じた形で再現することと、現実で有用な判断を下すことは別だ。特にロボットは、シミュレーション内でうまくいく動作が、実機では通用しないことが多い。Genie 4がそのギャップをどこまで埋められるかはまだ分からない。ただ、少なくとも「学習用の世界をより細かく、より多様に、より制御可能に作る」方向にはかなり強そうだ。研究者や開発者にとっては、この制御可能性のほうが派手な見た目よりずっと価値があるかもしれない。
今回の発表で印象的だったのは、Google DeepMindがすぐに広く開放するのではなく、trusted testers向けのresearch previewから始めると明言していることだ。これは慎重さの表れでもあるし、裏を返せば、まだ一般ユーザー向けの安定性や安全性には自信を持ちきっていないということでもある。世界を動かすモデルは、誤作動したときの影響が単純な生成AIより大きい。誤った物理、誤った人物行動、誤った音声が一体になって出てくると、見た人はかなり簡単に「本物らしさ」に引きずられる。だから段階公開は自然だし、むしろ当然だ。
それでも、今回の発表は単なる慎重運用の説明では終わっていない。Geminiファミリーの推論能力を土台に、物理、人物、音、会話をまとめて扱うという設計は、GoogleがAIを「答えを返す道具」から「環境を保つ装置」へ広げようとしているように見えるからだ。検索やチャットだけでは届かない領域に、シミュレーションという形で入っていく。その先にあるのはゲームや研究デモだけではなく、教育、訓練、設計、体験型コンテンツかもしれない。まだ未来図の段階ではあるが、Genie 4はその輪郭をかなりはっきり見せている。
参考: Genie 4: A new generation of world simulation — Google DeepMind
