Genie 4, explicado: qué son los modelos del mundo y por qué Google sigue apostando por ellos

El 27 de octubre de 2026, Google DeepMind anunció Genie 4, su modelo del mundo más reciente. A diferencia de un modelo de vídeo con IA —que te entrega un clip terminado—, Genie 4 genera un mundo en el que te adentras: responde a tus comandos de teclado en cada fotograma, puedes reescribir la escena en plena simulación usando lenguaje corriente y el mundo ahora tiene su propio sonido en directo —viento, pasos, música, diálogo hablado— en lugar de una banda sonora añadida al vídeo posteriormente.

Las nuevas capacidades son la noticia, pero también son la excusa más clara del momento para responder a la pregunta que la industria de la IA lleva dos años debatiendo: ¿qué es exactamente un «modelo del mundo» y por qué todos los grandes laboratorios quieren uno?

Desde su lanzamiento, Genie 4 es una versión preliminar de investigación para usuarios de confianza. Según DeepMind, «llegará pronto» a los suscriptores de Google AI Ultra a través de Project Genie —el producto de exploración de mundos para consumidores de la empresa, que actualmente funciona con Genie 3, Nano Banana Pro y Gemini— y a los socios con acceso anticipado a Gemini API y Google AI Studio. La lista de espera de Project Genie ya está abierta; no se han publicado fechas ni precios. Así que, por ahora, nadie puede reservar tiempo dentro de Genie 4. Lo que sí puedes hacer es entender el campo al que pertenece: esa es la parte interesante, y está evolucionando rápidamente.

¿Qué es realmente un modelo del mundo?

Si dejamos de lado el marketing, un modelo del mundo es una red neuronal que ha aprendido cómo se comporta cierto mundo lo bastante bien como para seguir simulándolo: dado el estado actual del mundo y una acción, predice cómo se verá —y ahora, cómo sonará— a continuación. Entrena un sistema así con suficiente vídeo y lo que surge es algo parecido a un motor de videojuegos que nunca programaste: sin código de física, sin recursos creados a mano, sin diseño de niveles. Las reglas, el paisaje y las nubes sobre las colinas salen de los pesos del modelo.

La idea tiene un texto fundacional. En 2018, el artículo World Models de David Ha y Jürgen Schmidhuber mostró que se podía entrenar a un agente pequeño dentro de un modelo generativo de su propio entorno —entrenarlo, en palabras de los autores, «enteramente dentro de su propio sueño alucinado, generado por su modelo del mundo»— y luego trasladarlo de vuelta al juego real. Sigue siendo la definición breve más clara: un modelo del mundo es un lugar donde practicar.

Desde entonces, las empresas han sacado dos conclusiones distintas de la misma idea:

Predecir en píxeles. En febrero de 2024, OpenAI sostuvo en «Video generation models as world simulators» que ampliar la generación de vídeo es «una vía prometedora para crear simuladores de propósito general del mundo físico». Como prueba de esta dirección, mostró a Sora generando una partida de Minecraft mientras controlaba al jugador con una política básica. El argumento es que, si el vídeo es lo bastante bueno, la comprensión del mundo viene incluida.
Predecir en abstracciones. El artículo de posición de Yann LeCun de 2022, A Path Towards Autonomous Machine Intelligence, defiende lo contrario: un modelo del mundo debería predecir estados futuros en un espacio de representaciones abstractas, no en píxeles, en parte porque predecir píxeles consume la mayor parte de la capacidad del modelo en detalles que nadie puede verificar y en parte porque un agente planifica comparando resultados imaginados, no fotogramas imaginados. La arquitectura JEPA es esa idea plasmada en código.

Ambos bandos coinciden en el objetivo: un simulador lo bastante profundo como para entrenar agentes en él, sin pagar el coste de cada error en el mundo real. No se ponen de acuerdo sobre qué representación llegará primero. El trabajo de DeepMind con Genie se sitúa del lado de los píxeles, con un giro que veremos enseguida: primero los píxeles, pero píxeles sobre los que puedes actuar, y ahora con un modelo de lenguaje detrás.

Por qué un mundo interactivo es más difícil que un vídeo atractivo

La distinción que suele confundir a la gente es que un modelo del mundo tiene un nivel de dificultad distinto al de un generador de vídeo; no es un generador de vídeo más grande. Las diferencias son estructurales:

Contraste	Generador de vídeo	Modelo del mundo
Qué obtienes	un clip terminado	un entorno continuo
Quién actúa en él	nadie: se reproduce sin ti	tú, en cada fotograma
Cada fotograma se genera a partir de	una instrucción, una sola pasada de eliminación de ruido	tu última acción más el estado actual del mundo
Estado	nada que conservar	el mundo recuerda lo que ha generado
Sonido	se añade a un clip terminado	surge en directo junto con el mundo
Cuándo termina	el clip termina	cuando paras, o cuando empieza a desviarse

Una aclaración sobre la tabla: describe el contraste ideal entre los dos tipos de modelos. Algunos productos se sitúan entre ambos: GWM Worlds 2 de Runway y Oasis de Decart son modelos de estilo vídeo diseñados para ser interactivos.

Sin embargo, un modelo del mundo interactivo obliga a sus creadores a resolver problemas que un generador de clips puede evitar:

Velocidad. Los modelos de vídeo con calidad cinematográfica pueden tardar minutos en generar una toma. Un modelo del mundo dispone de una fracción de segundo por fotograma, porque las experiencias interactivas funcionan a entre 24 y 60 fotogramas por segundo, y cualquier demora mayor rompe la ilusión. La interactividad es un problema de arquitectura, no solo de calidad de salida.
Memoria. El modelo debe conservar todo lo que te ha mostrado. Aléjate de un punto de referencia y vuelve un minuto después: si ese lugar aparece distinto, el mundo deja de ser creíble al instante. Por eso la coherencia —cuánta experiencia coherente y recordada puede sostener un mundo— es el indicador que realmente vigilan quienes trabajan en este campo.
Física causal. Es fácil fingir que un vídeo parece real; reproducir la causa y el efecto, no. Un benchmark de 2025 llamado Physics-IQ pausó grabaciones reales de situaciones cotidianas y pidió a modelos de vídeo —Sora, Runway, Pika, Lumiere, Stable Video Diffusion, VideoPoet— que las continuaran. Después comparó las continuaciones con lo que ocurrió realmente, en ámbitos como los fluidos, la óptica, la mecánica de sólidos, el magnetismo y la termodinámica. Su conclusión: la comprensión física de esos modelos era «muy limitada y no guardaba relación con el realismo visual». Un modelo del mundo debe encontrar el equilibrio, o no se puede confiar en que nada de lo entrenado dentro de él se transfiera al exterior.

Esos tres retos se corresponden claramente con la evolución de Genie. Cada generación existe para lograr el siguiente avance en velocidad, memoria y causalidad.

La línea Genie: de un juguete a dos minutos (según lo publicado)

Generación	Lanzamiento	Qué le das	Qué demostró
Genie	Febrero de 2024	una sola imagen	mundo 2D interactivo, acciones inferidas a partir de vídeo
Genie 2	Diciembre de 2024	una sola imagen	mundo 3D interactivo con permanencia de los objetos, hasta alrededor de un minuto
Genie 3	Agosto de 2025	una instrucción de texto	primera generación en tiempo real: 720p a 24 fps, varios minutos
Genie 4	27 de octubre de 2026	texto y eventos, en directo	audio nativo; un «director» de Gemini al mando; ~2 minutos (según lo publicado)

Nota: no se han publicado la resolución ni la frecuencia de fotogramas de Genie 4. La cifra de un minuto para Genie 2 y los datos de Genie 3 proceden de los anuncios de DeepMind; la cifra de dos minutos de arriba es la estimación de TechCrunch basada en la sesión informativa de lanzamiento de DeepMind (según este informe).

Dos detalles de la línea Genie son importantes para entender el concepto, no solo como dato curioso:

El primer Genie inventó sus propios controles. El artículo sobre Genie de 2024 describía un modelo fundacional del mundo de 11-billion parámetros, entrenado con vídeos de Internet sin etiquetas de acciones. Descubrió que, cuando alguien pulsa «izquierda» o «salta» en los vídeos de entrenamiento, la red puede extraer un espacio de acciones latentes a partir de los cambios entre fotogramas. El modelo se volvió interactivo sin que nadie etiquetara una sola acción, por eso «controlador» en un modelo del mundo no significa botones elegidos por un diseñador. Se refiere a las acciones que el modelo es capaz de inferir, y a las que las generaciones de DeepMind han ido ampliando desde entonces: de movimientos de plataformas a eventos del mundo controlados con texto.

La coherencia es el avance que cuenta la historia. Según el anuncio de DeepMind de diciembre de 2024, Genie 2 podía mantener un mundo coherente durante aproximadamente un minuto. Genie 3 amplió la interacción útil a varios minutos, con memoria de aproximadamente un minuto. Según el informe de TechCrunch citado arriba, Genie 4 duplica el horizonte de trabajo hasta unos dos minutos. La secuencia muestra la naturaleza del problema: el mayor desafío de los mundos interactivos no es la generación visual. Es mantener cientos de estados consecutivos recordados y alineados a una velocidad interactiva.

Novedades de Genie 4

El anuncio de DeepMind se centra en cuatro capacidades. Conviene considerarlas en conjunto, no como «Genie 3 con extras»:

1. Puedes dirigirlo en directo con lenguaje. Las modificaciones en lenguaje natural —cambiar el tiempo, mover la cámara, introducir a una persona o un objeto nuevos— se aplican a la simulación en tiempo real, y Gemini adapta tus instrucciones a la escena que la rodea. Entre una indicación y otra, Gemini sigue observando y dirigiendo para que el mundo avance de forma coherente. La dificultad no está en generar una escena, sino en reaccionar a los cambios que ocurren en ella.

2. Física y personas. Genie 4 simula situaciones físicas del mundo real —la aerodinámica y las colisiones son los ejemplos de DeepMind— y, según DeepMind, su «avance más espectacular» se da con las personas: personajes que se mueven de forma natural, responden orgánicamente a su entorno y pueden dirigirse interactivamente en tiempo real.

3. Audio nativo. Según la propia descripción de DeepMind, Genie 4 es «nuestro primer modelo del mundo en tiempo real que genera audio de forma nativa». Cada entorno tiene su propio sonido ambiental, desde el viento entre los árboles hasta las olas en la playa; la novedad más destacada es el habla: los personajes conversan y reaccionan a tus indicaciones y a los sucesos del mundo en tiempo real, en lugar de recibir una pista de audio doblada a posteriori.

4. Una capa de razonamiento dentro del bucle. El cuarto aspecto es donde Genie 4 se aparta del enfoque de Genie 1–3. Según DeepMind, bajo el capó, Gemini Omni —el modelo multimodal de la familia Gemini que convierte imágenes, audio y texto en video— ancla la simulación en la apariencia y el comportamiento del mundo real, mientras que otros modelos Gemini aportan el razonamiento. En concreto, Gemini 3.8 Flash funciona continuamente como un «agente guía dentro del bucle»: mientras Genie 4 renderiza, observa la escena, desglosa el objetivo en pasos, revisa los fotogramas recibidos, verifica cada paso y vuelve a planificar cuando el mundo cambia o interviene el usuario. El beneficio que se promete: causalidad fiable, comportamientos procedimentales y razonamiento de varios pasos dentro de un mundo generado.

Esta capa de razonamiento también tiene un colaborador con nombre propio en el anuncio: un experimento con Gemini 4 Argon y Gemini Robotics, en el que Argon descompone una tarea indicada por el usuario en pasos que se intercalan como subtítulos de texto en la simulación mientras se renderiza, de modo que la tarea simulada sigue orientándose hacia su finalización mientras se ejecuta. Eso abre la puerta a «practicar la tarea en un mundo imaginado antes de arriesgarse en el mundo real», que es la propuesta central de la robótica para los modelos del mundo: entornos de entrenamiento infinitamente variados, peligrosos de forma segura, que se pueden volver a ejecutar, prácticamente sin coste marginal por cada reintento.

Lo que todavía no funciona

DeepMind señala por sí misma las carencias que persisten, y vale la pena leerlas como la lista de tareas pendientes del campo:

La coherencia solo se mantiene durante sesiones breves. Los detalles visuales y la permanencia de los objetos siguen cambiando y desviándose, sobre todo cuando una simulación se prolonga, tras varias ediciones complejas o al desplazarse por la escena.
Las interacciones físicas complejas, la precisión del audio en tiempo real, la representación de texto legible, la precisión espacial y la coherencia a largo plazo siguen siendo áreas de investigación activa.

Dicho de forma más extensa: nadie ha conseguido todavía crear mundos generados que mantengan la coherencia para siempre. Marble, de World Labs —mundos 3D que se reconstruyen y persisten, exportables como Gaussian splats o mallas—, es una arquitectura rival que persigue la misma ambición desde el otro lado. Y el siguiente paso declarado por DeepMind son los modelos del mundo híbridos: permitir que una pila de modelos de lenguaje se encargue de la capa estructurada y lógica del mundo, mientras Genie renderiza su aspecto, sonido y respuestas, en vez de pedirle a una única red gigantesca que haga ambas cosas a la vez. Como dijo Tejas Kulkarni, director de investigación de Google, durante la presentación de lanzamiento, según TechCrunch: «Lo que veremos cada vez más en el futuro son estos modelos del mundo híbridos, en los que se combina Gemini, que escribe código y texto, con Genie, que lo ingiere en tiempo real y simula la realidad en distintos niveles de abstracción».

Dos datos relevantes para la seguridad antes de que llegue al público general: todo el video y el audio generados por Genie 4 llevan marcas de agua SynthID, y DeepMind afirma que realizó evaluaciones de seguridad antes de abrir la vista previa, que primero puso deliberadamente a disposición de evaluadores de confianza.

Quién más está desarrollando esto y por qué convergen

Genie 4 llegó a un campo que ya estaba en movimiento. Este es un mapa aproximado, organizado según las dos corrientes mencionadas:

Oasis, de Decart (octubre de 2024, desarrollado con la startup de chips Etched) demostró que los modelos pequeños también pueden competir: un modelo de 500 millones de parámetros, de código abierto para ejecutarse localmente, con una demostración alojada que ejecutaba un punto de control más grande e improvisaba un mundo con la forma de Minecraft a 360p y 20 fps en una NVIDIA H100, sin ningún motor de juego en el proceso. (Según The Wall Street Journal, Amazon negocia la adquisición de Decart por unos $7 billion.)
Marble, de World Labs, es inteligencia espacial: el término que usa la empresa de Fei-Fei Li para describir su propia apuesta por los modelos del mundo. Mundos 3D persistentes y navegables creados a partir de texto, imágenes o video, que se pueden ver sin límite de tiempo y exportar como Gaussian splats, mallas o video. AMD anunció el 28 de septiembre de 2026 que adquirirá World Labs por $8.2 billion.
Cosmos, de NVIDIA, es la vertiente industrial: puntos de control abiertos de modelos fundacionales del mundo para generar datos de entrenamiento sintéticos y simular futuros para robots y vehículos autónomos; la misma lógica de «soñar antes de la realidad», aplicada tanto a máquinas con actuadores como a las que tienen cámaras. La pila de «IA física» de NVIDIA (Cosmos y los modelos fundacionales de robots Isaac GR00T) se presenta precisamente en la línea del experimento de robótica de DeepMind.
GWM Worlds 2, de Runway, se lanzó un par de meses antes que Genie 4: mundos generados y jugables con audio, de una empresa dedicada a la generación de video. Es la prueba de la corriente de píxeles de que la frontera entre los modelos de video y los modelos del mundo se está difuminando desde la otra dirección.

Y alrededor de ese mapa está el dinero: Amazon–Decart, AMD–World Labs y la compra de la startup de modelos del mundo Third Dimension por parte de Rivian —anunciada el 22 de octubre de 2026— para incorporar la simulación a sus pruebas de conducción autónoma. Los estudios de videojuegos, los fabricantes de robots y las automotrices buscan lo mismo: mundos como entornos de entrenamiento. Por eso Google sigue persiguiendo esta tecnología y por eso el horizonte de dos minutos del que se ha informado es un objetivo de investigación, no una frase de marketing: un simulador solo sirve como aula si se mantiene en pie el tiempo suficiente para aprender en él.

DeepMind presenta todo este trabajo como «un aspecto crucial para desarrollar la AGI». La afirmación que lo sustenta: una inteligencia que vaya a actuar en el mundo debe aprender a partir de causas, no de etiquetas, y un mundo controlable, infinitamente variable y peligrosamente seguro es la única aula que puede escalar. Esa es la versión ambiciosa de la apuesta, y sigue siendo una apuesta. Aún nadie puede demostrar si la simulación a nivel de píxeles se convertirá en la base de la inteligencia corporeizada o si será una de varias bases, mientras los latentes abstractos del grupo de LeCun asumen parte de la carga.

Esto es lo que se puede afirmar específicamente sobre Genie 4: su primicia oficialmente defendible es el audio nativo; según la descripción de DeepMind, es el primer modelo del mundo en tiempo real que genera audio de forma nativa. Las afirmaciones más contundentes son nuestras y deben sostenerse como argumentos, no presentarse como hechos establecidos: nos parece el primer mundo interactivo con esta fidelidad al que puedes hablar y que te responde, así como el ejemplo público más claro hasta la fecha de un modelo de razonamiento que comparte el bucle del renderizador; es lo más cerca que ha estado el campo de hacer que «modelo del mundo» signifique ambas partes de la expresión: los píxeles y la mente que se mueve entre ellos.

Preguntas frecuentes

¿Qué es un modelo del mundo, en una frase?
Un modelo generativo de cómo se comporta un mundo: a partir del estado actual del mundo y de una acción, predice cómo se verá y sonará a continuación para que los agentes puedan actuar y practicar en él.

¿En qué se diferencia Genie 4 de un modelo de video como Veo o Sora?
Un modelo de video te ofrece un clip terminado; Genie 4 te ofrece un entorno que responde a tus indicaciones fotograma a fotograma, recuerda lo que ha generado y produce su propio audio en tiempo real. El video es contenido; un modelo del mundo es un lugar.

¿Puedo usar Genie 4 hoy?
Todavía no. Es una vista previa de investigación para evaluadores de confianza. El siguiente paso serán los consumidores, a través de Project Genie para suscriptores de Google AI Ultra (que actualmente usa Genie 3), y después llegarán los desarrolladores como socios de acceso anticipado de Gemini API y Google AI Studio. No se han publicado fechas ni precios.

¿Cuánto puede durar una sesión de Genie 4?
Las sesiones siguen siendo breves. Oficialmente, la coherencia se mantiene durante «sesiones breves»; según el resumen de TechCrunch sobre la presentación de lanzamiento, el límite es de aproximadamente dos minutos de escena coherente, el doble que en Genie 3.

¿Genie 4 genera sonido?
Sí; no se trata de una pista de audio añadida a un video terminado. El sonido ambiental, la música y el diálogo hablado se generan como parte del mundo en cada fotograma, y los personajes reaccionan en tiempo real a ti y entre sí.

Entonces, ¿Genie 4 entiende la física?
DeepMind muestra escenarios físicos como la aerodinámica y las colisiones en las demostraciones de lanzamiento, pero no se ha publicado ningún benchmark de física para Genie 4 que se pueda verificar públicamente. Las evaluaciones independientes de modelos de estilo video —Physics-IQ, por ejemplo— siguen constatando que el realismo visual no implica comprensión física: considera el realismo un indicador aproximado, no una prueba.

¿Los modelos del mundo reemplazarán los motores de juego?
No pronto, y probablemente no por completo. Los mundos generados ya aventajan en velocidad y variedad para la exploración y la creación de prototipos, pero todavía no pueden ofrecer los mundos deterministas, controlados por diseño y de larga duración que garantizan los motores. Lo más probable a corto plazo es la colaboración: mundos generados para la ideación, la simulación y el entrenamiento de agentes; motores para la producción y el juego determinista.