Genie 4 erklärt: Was Weltmodelle sind und warum Google ihnen weiter nachjagt

Am 27. Oktober 2026 kündigte Google DeepMind Genie 4 an, sein neuestes Weltmodell. Anders als ein KI-Videomodell, das dir einen fertigen Clip liefert, erzeugt Genie 4 eine Welt, in die du eintauchst: Es reagiert mit jedem Frame auf deine Tastatureingaben, du kannst die Szene mitten in der Simulation mit einfachen englischen Anweisungen umschreiben, und die Welt hat jetzt ihren eigenen Live-Sound – Wind, Schritte, Musik und gesprochene Dialoge – statt einer Tonspur, die nachträglich über das Video gelegt wird.

Die neuen Fähigkeiten sind die eigentliche Geschichte, aber sie sind auch der beste Anlass, die Frage zu beantworten, über die die KI-Branche seit zwei Jahren debattiert: Was genau ist ein „Weltmodell“, und warum will jedes große Labor eines haben?

Zum Start ist Genie 4 eine Forschungsvorschau für ausgewählte Tester. Laut DeepMind kommt es „demnächst“ für Google AI Ultra-Abonnenten über Project Genie – das Consumer-Produkt des Unternehmens zur Erkundung von Welten, das derzeit mit Genie 3 sowie Nano Banana Pro und Gemini läuft – und für Early-Access-Partner der Gemini API und Google AI Studio. Die Warteliste für Project Genie ist bereits geöffnet; Termine und Preise wurden noch nicht veröffentlicht. Niemand kann also bereits Zeit in Genie 4 buchen. Was du tun kannst, ist, das Forschungsfeld zu verstehen, zu dem es gehört – das Feld ist der interessante Teil, und es entwickelt sich rasant.

Was ist ein Weltmodell eigentlich?

Ohne Marketing-Floskeln ist ein Weltmodell ein neuronales Netz, das gelernt hat, wie sich eine Welt verhält, und sie gut genug weiter simulieren kann: Ausgehend vom aktuellen Zustand der Welt und einer Handlung sagt es voraus, wie die Welt als Nächstes aussieht – und inzwischen auch klingt. Gib einem solchen System genug Videos, und es entsteht etwas wie eine Game-Engine, die du nie selbst programmiert hast: kein Physikcode, keine von Hand erstellten Assets, kein Leveldesign. Die Regeln, die Landschaft und die Wolken über den Hügeln entstehen alle aus den Modellgewichten.

Die Idee hat ein wegweisendes Grundlagenwerk. 2018 zeigten David Ha und Jürgen Schmidhuber in ihrem Paper World Models, dass ein kleiner Agent innerhalb eines generativen Modells seiner eigenen Umgebung trainiert und anschließend zurück ins echte Spiel versetzt werden konnte. In den Worten der Autoren wurde er „vollständig innerhalb des eigenen halluzinierten Traums trainiert, den sein Weltmodell generiert hat“. Das ist nach wie vor die prägnanteste Definition in einem Satz: Ein Weltmodell ist ein Ort zum Üben.

Unternehmen haben aus derselben Idee seitdem zwei verschiedene Schlussfolgerungen gezogen:

Pixel vorhersagen. OpenAI argumentierte im Februar 2024 in „Video generation models as world simulators“, dass die Skalierung der Videogenerierung „ein vielversprechender Weg zum Aufbau universell einsetzbarer Simulatoren der physischen Welt“ sei. Als Beleg für diesen Ansatz führte das Unternehmen an, dass Sora Minecraft-Spielgeschehen renderte und dabei gleichzeitig den Spieler mit einer einfachen Policy steuerte. Die Argumentation lautet: Wird das Video gut genug, geht damit auch ein Verständnis der Welt einher.
Abstraktionen vorhersagen. Yann LeCuns Positionspapier von 2022, A Path Towards Autonomous Machine Intelligence, vertritt die gegenteilige Auffassung: Ein Weltmodell sollte zukünftige Zustände in einem abstrakten Repräsentationsraum vorhersagen, nicht in Pixeln – zum einen, weil Vorhersagen auf Pixelebene den Großteil der Modellkapazität für Details verbrauchen, die niemand überprüfen kann, und zum anderen, weil ein Agent plant, indem er sich vorgestellte Ergebnisse vergleicht, nicht vorgestellte Frames. Die JEPA-Architektur setzt diese Argumentation in Code um.

Beide Lager verfolgen dasselbe Ziel: einen leistungsfähigen Simulator, in dem sich Agenten trainieren lassen, ohne für jeden Fehler den Preis der realen Welt zu zahlen. Uneinig sind sie sich darüber, welche Repräsentation zuerst ans Ziel führt. DeepMinds Genie-Forschung gehört zum Pixel-Lager, allerdings mit einer Besonderheit, auf die wir noch zurückkommen: erst Pixel, aber Pixel, durch die man handeln kann, und inzwischen mit einem Sprachmodell im Hintergrund.

Warum eine spielbare Welt schwieriger ist als ein hübsches Video

Der Unterschied, der viele verwirrt: Ein Weltmodell ist eine völlig andere Schwierigkeitsstufe als ein Videogenerator, nicht einfach ein größerer Videogenerator. Die Unterschiede sind struktureller Art:

Vergleichspunkt	Videogenerator	Weltmodell
Was du erhältst	einen fertigen Clip	eine fortlaufende Umgebung
Wer darin handelt	niemand – der Clip läuft ohne dich	du, in jedem Frame
Jeder Frame entsteht aus	einem Prompt, einmal entrauscht	deiner letzten Handlung plus dem aktuellen Zustand der Welt
Zustand	nichts, was erhalten bleiben muss	die Welt merkt sich, was sie generiert hat
Ton	wird einem fertigen Clip hinzugefügt	entsteht live zusammen mit der Welt
Wann es endet	der Clip endet	wenn du aufhörst – oder wenn sich Abweichungen einschleichen

Ein Hinweis zu dieser Tabelle: Sie zeigt den idealtypischen Unterschied zwischen den beiden Modelltypen. Einzelne Produkte liegen dazwischen – Runway's GWM Worlds 2 und Decart's Oasis sind videobasierte Modelle, die auf Spielbarkeit ausgelegt sind.

Ein spielbares Weltmodell bringt seinen Entwicklern jedoch Probleme ein, denen ein Clipgenerator ausweichen kann:

Geschwindigkeit. Videomodelle in Filmqualität können Minuten für eine Einstellung benötigen. Ein Weltmodell hat pro Frame nur den Bruchteil einer Sekunde, denn interaktive Erlebnisse laufen mit 24 bis 60 Frames pro Sekunde, und jede langsamere Reaktion zerstört die Illusion. Interaktivität ist ein Architekturproblem, nicht nur eine Frage der Ausgabequalität.
Gedächtnis. Alles, was das Modell dir gezeigt hat, muss es behalten. Gehst du von einem Wahrzeichen weg und kommst eine Minute später zurück, stirbt die Welt sofort, wenn das Wahrzeichen anders dargestellt wird. Deshalb ist Konsistenz – wie viel zusammenhängende, erinnerte Erfahrung eine Welt aufrechterhalten kann – die Kennzahl, die Fachleute auf diesem Gebiet tatsächlich beobachten.
Kausale Physik. Lebensechte Aufnahmen lassen sich leicht vortäuschen; Ursache und Wirkung nicht. Ein Benchmark aus dem Jahr 2025 namens Physics-IQ hielt reale Aufnahmen alltäglicher Ereignisse an und forderte Videomodelle – Sora, Runway, Pika, Lumiere, Stable Video Diffusion und VideoPoet – auf, sie fortzusetzen. Anschließend bewertete er die Fortsetzungen danach, was tatsächlich als Nächstes geschah, und untersuchte dabei Fluide, Optik, Festkörpermechanik, Magnetismus und Thermodynamik. Das Urteil: Das physikalische Verständnis dieser Modelle war „stark eingeschränkt und nicht mit visuellem Realismus verbunden“. Ein Weltmodell muss diesen schmalen Grat treffen, sonst kann man nicht darauf vertrauen, dass sich irgendetwas, das darin trainiert wurde, auf die reale Welt übertragen lässt.

Diese drei Herausforderungen spiegeln sich klar in der Entwicklung von Genie wider. Jede Generation soll den nächsten Fortschritt bei Geschwindigkeit, Gedächtnis und Kausalität ermöglichen.

Die Genie-Reihe: vom Spielzeug zu zwei Minuten (laut Berichten)

Generation	Veröffentlicht	Eingabe	Was damit bewiesen wurde
Genie	Februar 2024	ein einzelnes Bild	spielbare 2D-Welt, Aktionen aus Videos abgeleitet
Genie 2	Dezember 2024	ein einzelnes Bild	spielbare 3D-Welt mit Objektpermanenz, bis zu etwa einer Minute
Genie 3	August 2025	ein Text-Prompt	erste Echtzeitgenerierung: 720p bei 24 fps, mehrere Minuten
Genie 4	27. Oktober 2026	Text und Ereignisse, live	nativer Ton; ein Gemini-„Regisseur“ im Prozess; ~2 Minuten (laut Berichten)

Hinweis: Auflösung und Bildrate von Genie 4 wurden nicht veröffentlicht. Die Angabe von einer Minute für Genie 2 und die Zahlen zu Genie 3 stammen aus den Ankündigungen von DeepMind; die obige Angabe von zwei Minuten ist TechCrunchs Auswertung des Launch-Briefings von DeepMind (hier berichtet).

Zwei Details aus der Genie-Reihe sind für das Konzept wichtig, nicht nur als Trivia:

Das erste Genie erfand seine eigenen Steuerungsmöglichkeiten. Im Genie-Paper von 2024 wurde ein Weltmodell mit 11 Milliarden Parametern beschrieben, das ohne Aktionslabels mit rohen Internetvideos trainiert wurde. Dabei zeigte sich: Wenn eine Person in den Trainingsaufnahmen „links“ drückt oder „springt“, kann das Netzwerk aus den Veränderungen zwischen den Frames einen latenten Aktionsraum ableiten. Die Spielbarkeit entstand, ohne dass jemand eine Aktion beschriftet hatte. Deshalb bedeutet „Controller“ in einem Weltmodell nicht, dass es sich um von einem Designer ausgewählte Knöpfe handelt. Gemeint sind alle Aktionen, die das Modell ableiten kann – und genau diese Möglichkeiten haben DeepMinds Generationen seither erweitert: von Plattformspiel-Bewegungen bis hin zu Weltereignissen, die sich per Text steuern lassen.

Die Entwicklung der Konsistenz zeigt, worum es geht. Laut der Ankündigung von DeepMind im Dezember 2024 konnte Genie 2 eine zusammenhängende Welt etwa eine Minute lang aufrechterhalten. Genie 3 verlängerte die nutzbare Interaktion auf mehrere Minuten und konnte sich ungefähr eine Minute zurückerinnern. Laut dem oben erwähnten Bericht von TechCrunch verdoppelt Genie 4 den nutzbaren Zeithorizont auf etwa zwei Minuten. Diese Entwicklung macht das Kernproblem deutlich: Die größte Herausforderung bei interaktiven Welten ist nicht das Rendern. Sie besteht darin, Hunderte aufeinanderfolgende Zustände über das Gedächtnis hinweg bei interaktiver Geschwindigkeit in Einklang zu halten.

Was ist neu an Genie 4?

Die Ankündigung von DeepMind stellt vier Fähigkeiten in den Mittelpunkt. Man sollte sie gemeinsam betrachten und nicht als „Genie 3 plus Extras“:

1. Du steuerst die Welt live mit Sprache. Änderungen in natürlicher Sprache – etwa das Wetter zu ändern, die Kamera zu bewegen oder eine neue Person oder ein neues Objekt einzuführen – werden in Echtzeit auf die Simulation angewendet, und Gemini passt deine Formulierung an die Szene an, die es tatsächlich umgibt. Zwischen deinen Eingaben beobachtet und steuert Gemini weiter, damit sich die Welt stimmig entwickelt. Die Kunst besteht hier nicht darin, eine Szene zu rendern, sondern auf Veränderungen in ihr zu reagieren.

2. Physik und Menschen. Genie 4 simuliert physikalische Szenarien aus der realen Welt – Aerodynamik und Kollisionen sind die Beispiele von DeepMind. Der laut DeepMind „größte Sprung“ betrifft Menschen: Figuren, die sich natürlich bewegen, organisch auf ihre Umgebung reagieren und sich in Echtzeit interaktiv steuern lassen.

3. Nativer Ton. Genie 4 ist laut der eigenen Beschreibung von DeepMind „unser erstes Echtzeit-Weltmodell, das Ton nativ generiert“. Jede Umgebung hat ihren eigenen Umgebungsgeräuschpegel, vom Wind in den Bäumen bis zur Brandung am Strand. Der entscheidende Neuland-Aspekt ist jedoch Sprache: Figuren unterhalten sich und reagieren in Echtzeit auf deine Eingaben und auf Ereignisse in der Welt, statt nachträglich eine synchronisierte Tonspur zu erhalten.

4. Eine Reasoning-Ebene innerhalb der Schleife. Der vierte Punkt markiert den Bruch von Genie 4 mit dem Rezept von Genie 1–3. DeepMind zufolge verankert Gemini Omni – das multimodale Modell der Gemini-Familie, das Bilder, Audio und Text in Video umwandelt – die Simulation in der realen Erscheinung und dem Verhalten der Welt, während andere Gemini-Modelle das Reasoning übernehmen. Konkret läuft Gemini 3.8 Flash kontinuierlich als „leitender Agent in der Schleife“: Während Genie 4 die Szene rendert, beobachtet das Modell sie, zerlegt das Ziel in Schritte, prüft eingehende Frames, verifiziert jeden Schritt und plant neu, wenn sich die Welt verändert oder der Nutzer eingreift. Der angegebene Nutzen: zuverlässige Kausalität, prozedurale Verhaltensweisen und mehrstufiges Reasoning innerhalb einer generierten Welt.

Diese Reasoning-Ebene hat in der Ankündigung auch einen benannten Partner: ein Experiment mit Gemini 4 Argon und Gemini Robotics, bei dem Argon eine vom Nutzer gestellte Aufgabe in Schritte zerlegt, die während des Renderns als Textbeschriftungen in die Simulation eingefügt werden – so wird die simulierte Aufgabe während ihrer Ausführung fortlaufend auf ihren Abschluss hin gesteuert. Das öffnet die Tür dazu, „die Aufgabe in einer erdachten Welt zu üben, bevor man die reale aufs Spiel setzt“. Genau darin liegt das Versprechen von World Models für die Robotik: unendlich vielfältige, gefahrlos gefährliche und erneut ausführbare Trainingsumgebungen – praktisch ohne Grenzkosten pro Wiederholung.

Was noch nicht funktioniert

DeepMind benennt die verbleibenden Lücken selbst. Sie sind es wert, als Aufgabenliste des gesamten Forschungsfelds gelesen zu werden:

Kohärenz bleibt nur in kurzen Sitzungen erhalten. Visuelle Details und die Beständigkeit von Objekten verändern sich weiterhin und driften ab – besonders bei längeren Simulationen, nach mehreren komplexen Bearbeitungen oder beim Navigieren durch die Szene.
Komplexe physische Interaktionen, die Genauigkeit von Audio in Echtzeit, lesbare Textdarstellung, räumliche Genauigkeit und langfristige Konsistenz sind allesamt aktive Forschungsbereiche.

Anders gesagt: Noch hat niemand generierte Welten geschaffen, die dauerhaft konsistent bleiben. Marble von World Labs – rekonstruierbare und beständige 3D-Welten, exportierbar als Gaussian Splats oder Meshes – ist eine konkurrierende Architektur, die sich dem gleichen Ziel von der anderen Seite nähert. DeepMinds erklärter nächster Schritt sind hybride World Models: Ein Sprachmodell-Stack soll die strukturierte, logische Ebene der Welt abbilden, während Genie rendert, wie sie aussieht, klingt und reagiert, statt von einem riesigen Netzwerk zu verlangen, beides gleichzeitig zu leisten. Wie Tejas Kulkarni, Forschungsdirektor bei Google, laut TechCrunch während der Einführungsveranstaltung erklärte: „Was wir künftig zunehmend sehen werden, sind diese hybriden World Models, in denen Gemini Code und Text schreibt und Genie dies in Echtzeit aufnimmt und die Realität auf unterschiedlichen Abstraktionsebenen simuliert.“

Zwei sicherheitsrelevante Fakten, bevor das Produkt ein breites Publikum erreicht: Alle Video- und Audioausgaben von Genie 4 tragen ein SynthID-Wasserzeichen, und DeepMind zufolge führte das Unternehmen vor der Freigabe der Vorschau Sicherheitsbewertungen durch und öffnete sie bewusst zuerst für vertrauenswürdige Tester.

Wer baut noch daran – und warum sich die Ansätze angleichen

Genie 4 ist in ein Forschungsfeld vorgestoßen, das bereits in Bewegung war. Die grobe Übersicht, gegliedert nach den beiden oben genannten Schulen:

Oasis von Decart (Oktober 2024, entwickelt mit dem Chip-Startup Etched) war der Beweis des Feldes, dass auch klein mithalten kann: ein Open-Source-Modell mit 500 Millionen Parametern für den lokalen Betrieb sowie eine gehostete Demo mit einem größeren Checkpoint, die eine Minecraft-artige Welt bei 360p und 20 fps auf einer NVIDIA H100 improvisiert – ganz ohne Game-Engine in der Schleife. (Laut Berichten des Wall Street Journal führt Amazon Gespräche über eine Übernahme von Decart für rund $7 billion.)
Marble von World Labs steht für räumliche Intelligenz – so bezeichnet Fei-Fei Lis Unternehmen seine eigene Wette auf World Models. Beständige, navigierbare 3D-Welten aus Text, Bildern oder Video, ohne zeitliche Begrenzung betrachtbar und als Gaussian Splats, Meshes oder Video exportierbar. AMD gab am September 28, 2026 bekannt, World Labs für $8.2 billion zu übernehmen.
NVIDIA Cosmos ist der industrielle Zweig: offene Checkpoints für World Foundation Models, mit denen synthetische Trainingsdaten generiert und mögliche Zukunftsszenarien für Roboter und autonome Fahrzeuge simuliert werden – dieselbe Logik des „erst träumen, dann realisieren“, angewendet auf Maschinen mit Aktuatoren ebenso wie Kameras. NVIDIAs Stack für „Physical AI“ (Cosmos und die Robotik-Foundation-Modelle Isaac GR00T) wird genau im Sinne von DeepMinds Robotikexperiment positioniert.
GWM Worlds 2 von Runway erschien einige Monate vor Genie 4: spielbare generierte Welten mit Audio von einem Unternehmen, das auf Videogenerierung spezialisiert ist – der Beleg der Pixel-Schule dafür, dass die Grenze zwischen Video- und World Models auch aus der anderen Richtung verschwimmt.

Und rund um diese Übersicht fließt das Geld: Amazon–Decart, AMD–World Labs und Rivians Übernahme des World-Model-Start-ups Third Dimension – angekündigt am October 22, 2026 –, um Simulationen für Tests autonomer Fahrzeuge ins eigene Haus zu holen. Spielestudios, Robotikunternehmen und Autohersteller suchen alle nach demselben: Welten als Trainingsumgebungen. Darum verfolgt Google dieses Ziel so hartnäckig – und darum ist der berichtete Zeithorizont von zwei Minuten ein Forschungsziel und keine Marketingfloskel: Ein Simulator taugt nur dann als Lernumgebung, wenn er lange genug zusammenhält, um darin zu lernen.

DeepMind bezeichnet die gesamte Forschungsrichtung als „einen entscheidenden Aspekt beim Aufbau von AGI“. Die dahinterstehende These: Eine Intelligenz, die in der Welt handeln soll, muss aus Ursachen lernen, nicht aus Labels. Eine steuerbare, unendlich variable und gefahrlos gefährliche Welt ist die einzige Lernumgebung, die sich skalieren lässt. Das ist die starke Version der Wette – und es bleibt eine Wette. Ob Simulation auf Pixelebene zur Grundlage verkörperter Intelligenz wird oder eine von mehreren Grundlagen, bei der die abstrakten latenten Repräsentationen des LeCun-Lagers einen Teil der Arbeit übernehmen, kann derzeit niemand beweisen.

Was sich speziell über Genie 4 sagen lässt: Die erste offiziell belegbare Neuerung ist natives Audio – laut Beschreibung von DeepMind das erste World Model in Echtzeit, das Audio nativ generiert. Die weitergehenden Behauptungen stammen von uns und sollten als Argumente verstanden werden, nicht als feststehende Tatsachen: Für uns wirkt dies wie die erste interaktive Welt dieser Wiedergabetreue, mit der man sprechen kann und die zurückspricht, und wie das bisher deutlichste öffentliche Beispiel dafür, dass ein Reasoning-Modell sich die Schleife des Renderers teilt. Das Feld ist damit dem Punkt am nächsten gekommen, an dem „World Model“ beide Hälften des Ausdrucks meint: die Pixel und den Geist, der sich durch sie bewegt.

FAQ

Was ist ein World Model in einem Satz?
Ein generatives Modell dafür, wie sich eine Welt verhält: Ausgehend vom aktuellen Zustand der Welt und einer Aktion sagt es voraus, wie die Welt als Nächstes aussieht und klingt, sodass Agenten darin handeln und üben können.

Wie unterscheidet sich Genie 4 von einem Videomodell wie Veo oder Sora?
Ein Videomodell liefert einen fertigen Clip; Genie 4 bietet eine Umgebung, die auf deine Eingaben Bild für Bild reagiert, sich merkt, was sie generiert hat, und eigenes Audio in Echtzeit erzeugt. Video ist Inhalt; ein World Model ist ein Ort.

Kann ich Genie 4 heute nutzen?
Noch nicht. Es handelt sich um eine Forschungsvorschau für vertrauenswürdige Tester. Als Nächstes kommen Verbraucher über Project Genie für Google AI Ultra-Abonnenten (derzeit mit Genie 3), Entwickler folgen als Early-Access-Partner der Gemini API und von Google AI Studio. Termine oder Preise wurden nicht veröffentlicht.

Wie lange kann eine Genie-4-Sitzung dauern?
Die Sitzungen sind weiterhin kurz. Offiziell hält die Konsistenz nur in „kurzen Sitzungen“ an; laut TechCrunchs Zusammenfassung der Einführungsveranstaltung liegt die Obergrenze bei ungefähr zwei Minuten konsistenter Szene – doppelt so lang wie bei Genie 3.

Generiert Genie 4 Geräusche?
Ja – es handelt sich nicht um eine Tonspur, die über ein fertiges Video gelegt wird. Umgebungsgeräusche, Musik und gesprochene Dialoge werden als Teil der Welt in jedem Frame generiert; die Figuren reagieren in Echtzeit auf dich und aufeinander.

Versteht Genie 4 also Physik?
DeepMind zeigt in den Demos zur Einführung physikalische Szenarien wie Aerodynamik und Kollisionen, doch für Genie 4 wurde kein öffentlich überprüfbarer Physik-Benchmark veröffentlicht. Unabhängige Bewertungen videobasierter Modelle – etwa Physics-IQ – kommen immer wieder zu dem Ergebnis, dass visueller Realismus kein physikalisches Verständnis voraussetzt. Realismus sollte als Indikator, nicht als Beweis gelten.

Werden World Models Game-Engines ersetzen?
Nicht in absehbarer Zeit und wahrscheinlich auch nicht vollständig. Generierte Welten sind für Exploration und Prototyping bei Geschwindigkeit und Vielfalt bereits überlegen, können aber noch nicht die deterministischen, designgesteuerten Welten mit langen Sitzungen liefern, die Engines garantieren. Wahrscheinlicher ist eine Zusammenarbeit: generierte Welten für Ideenfindung, Simulation und das Training von Agenten; Engines für die Produktion und deterministisches Spielen.