Genie 4 считает мир по кадрам и сам шумит ветром в деревьях

Нажимаете стрелку вперёд, и сцена достраивается ровно под этот шаг. Печатаете в строке, что погода должна смениться, и мир подстраивается, а между деревьями шумит ветер, которого никто не записывал. Так работает Genie 4, новая модель мира от Google DeepMind. Это не ролик, который можно пересмотреть: каждый кадр здесь считается заново, пока вы в нём находитесь.

Не видео, а расчёт

Genie 3 компания показала в августе 2025 года. Genie 4 — его преемник, и главное отличие от привычных видеогенераторов осталось прежним: модель не отдаёт готовый клип, а симулирует интерактивный мир в реальном времени. Сцена пересчитывается покадрово и отвечает на ввод пользователя по ходу работы.

Управление двойное. По миру перемещаются с клавиатуры, как в игре. Ход событий меняют текстовыми промптами. Если, например, попросить сменить погоду, Gemini адаптирует эту инструкцию к конкретной сцене, а не вставляет дождь поверх чужого пейзажа. Пока вы молчите, Gemini сам направляет события, чтобы мир развивался логично и не замирал в ожидании команды.

Что нового

ДеепМайнд выделяет три вещи:

• Звук. По заявлению компании, это первая её модель мира в реальном времени, которая генерирует звук напрямую. У каждого мира свой фоновый звук, например шум ветра в деревьях.
• Диалоги. Персонажи разговаривают друг с другом и в реальном времени реагируют на действия пользователя и на события в сцене.
• Люди. Самым заметным прогрессом в реализме компания называет отрисовку людей: персонажи двигаются естественно, реагируют на окружение, и ими можно управлять напрямую.

Для тех, кто привык монтировать звук отдельно от картинки, важна именно строчка про «напрямую». Звук здесь не накладывается на готовую сцену, а появляется вместе с ней.

Кто за что отвечает

Genie 4 не работает в одиночку. За его спиной целая бригада моделей Gemini, и разделение труда выглядит так:

• Gemini Omni — видеомодель, на которой стоит сам мир. Она отвечает за то, чтобы мир выглядел и вёл себя реалистично.
• Другие модели Gemini планируют симуляцию и следят за её связностью.
• Gemini 3.8 Flash для многошаговых задач непрерывно следит за сценой, разбивает цель на шаги и по новым кадрам проверяет, сработал ли каждый шаг. Если мир изменился или вмешался пользователь, модель правит план.
• Gemini 4 Argon — модель, которую DeepMind тестирует, чтобы связать Genie с исследованиями в робототехнике (Gemini Robotics).

Демо с шашками показывает эту связку целиком. Argon раскладывает партию на шаги, Genie 4 получает их текстовыми инструкциями и симулирует гуманоидного робота Apollo от Apptronik, который играет в шашки. Настоящий робот в демо не участвует: вся партия происходит внутри симуляции. Это важная оговорка, и её легко пропустить на эффектных кадрах.

Что пока не получается

DeepMind сама называет Genie 4 ранней экспериментальной моделью и не скрывает слабых мест. В коротких сессиях мир остаётся связным. В длинных симуляциях или после нескольких сложных правок промптом визуальные детали могут смещаться, а объекты не всегда сохраняются. Дверь, которую вы оставили открытой, может оказаться чуть другой, когда вернётесь.

Ещё три направления компания только исследует: сложные физические взаимодействия, точный звук в реальном времени и читаемый текст. Последнее нам, пожалуй, знакомо по всем генеративным моделям: вывески и надписи пока лучше не считать надёжной частью картинки.

Кому и когда

Сейчас Genie 4 доступен только избранным тестерам в формате исследовательского превью. Дальше очередь выстроится так:

• подписчики Google AI Ultra получат его в веб-приложении Project Genie;
• партнёры с ранним доступом получат его через Gemini API и Google AI Studio.

Конкретных дат нет. Все видео и аудио будут помечаться невидимым водяным знаком SynthID, который отмечает контент, созданный ИИ.

Зачем это всё

За играющим в шашки роботом стоит идея крупнее красивых миров. DeepMind видит в моделях мира тренировочную среду, где роботы и ИИ-агенты учатся на симулированном опыте, а не только на готовых данных. Связку Gemini и Genie компания считает ранним шагом к гибридным моделям мира, которые соединят рассуждения языковых и кодовых моделей с пиксельной симуляцией.

Что это меняет в работе

Для тех, кто делает визуал, интереснее всего другое: сцена перестаёт быть файлом. Её можно обойти, дёрнуть за погоду, послушать, как она звучит, и поговорить с её жителями. Для раннего прототипа пространства, настроения или мизансцены это совсем другой инструмент, чем клип на пять секунд. Мы бы пробовали его как живой эскиз, а не как финальный рендер: ограничения по длине сессии и по стабильности объектов пока говорят именно об этом.

И ещё одно практическое наблюдение. Раз всё сгенерированное будет помечено SynthID, а текст в кадре остаётся слабым местом, готовые титры и вывески придётся делать руками, как и раньше. Зато ветер в деревьях, кажется, больше не нужно искать в фонотеке.

Мир, который не нужно монтировать, всё равно придётся кому-то придумать.