Genie 4 expliqué : ce que sont les modèles du monde et pourquoi Google s’obstine à les développer

Le 27 octobre 2026, Google DeepMind a annoncé Genie 4, son tout dernier modèle du monde. Contrairement à un modèle vidéo d’IA — qui vous fournit un clip terminé — Genie 4 génère un monde dans lequel vous entrez : il réagit à votre clavier à chaque image, vous pouvez réécrire la scène en plein milieu de la simulation en langage courant, et le monde possède désormais son propre son en temps réel — vent, pas, musique, dialogues parlés — au lieu d’une bande-son ajoutée à la vidéo après coup.

Ces nouvelles capacités sont au cœur de l’actualité, mais elles donnent aussi le meilleur prétexte du moment pour répondre à la question qui occupe l’industrie de l’IA depuis deux ans : qu’est-ce qu’un « modèle du monde », exactement, et pourquoi tous les grands laboratoires en veulent-ils un ?

À son lancement, Genie 4 est une version de recherche accessible à des testeurs de confiance. Selon DeepMind, il « arrive bientôt » auprès des abonnés à Google AI Ultra via Project Genie — le produit grand public d’exploration de mondes de l’entreprise, qui fonctionne actuellement avec Genie 3, Nano Banana Pro et Gemini — ainsi qu’auprès des partenaires bénéficiant d’un accès anticipé à l’API Gemini et à Google AI Studio. La liste d’attente de Project Genie est déjà ouverte ; aucune date ni aucun tarif n’ont été annoncés. Personne ne peut donc encore réserver une session dans Genie 4. Ce que vous pouvez faire, c’est comprendre le domaine auquel il appartient — c’est là que se trouve la partie intéressante, et les choses évoluent vite.

Qu’est-ce qu’un modèle du monde, au juste ?

Dépouillé de son emballage marketing, un modèle du monde est un réseau neuronal qui a appris comment un monde fonctionne, suffisamment bien pour continuer à le simuler : à partir de l’état actuel du monde et d’une action, il prédit à quoi le monde ressemblera — et, désormais, à quoi il sonnera — ensuite. Donnez assez de vidéos à un système de ce type, et vous obtenez quelque chose qui ressemble à un moteur de jeu que vous n’avez jamais programmé : pas de code de physique, pas d’éléments créés à la main, pas de conception de niveaux. Les règles, le décor, les nuages au-dessus des collines : tout provient des poids du modèle.

Cette idée a un texte fondateur. En 2018, l’article World Models de David Ha et Jürgen Schmidhuber a montré qu’un petit agent pouvait être entraîné dans un modèle génératif de son propre environnement — selon les mots des auteurs, « entièrement dans le rêve hallucinatoire que son propre modèle du monde a généré » — puis transféré dans le jeu réel. Cela reste la définition la plus limpide en une phrase : un modèle du monde est un lieu où s’entraîner.

Depuis, les entreprises ont tiré deux conclusions différentes de cette même idée :

Prédire en pixels. En février 2024, dans « Video generation models as world simulators », OpenAI a avancé que l’augmentation de la génération vidéo constituait « une voie prometteuse vers la création de simulateurs généralistes du monde physique ». Pour étayer cette approche, l’entreprise a montré Sora en train de rendre une partie de Minecraft tout en contrôlant le joueur au moyen d’une politique de base. Selon cette thèse, il suffit que la vidéo soit assez bonne pour que la compréhension du monde suive.
Prédire dans un espace abstrait. L’article de position de Yann LeCun publié en 2022, A Path Towards Autonomous Machine Intelligence, défend le point de vue opposé : un modèle du monde devrait prédire les états futurs dans un espace de représentations abstraites, et non en pixels — en partie parce que la prédiction au niveau des pixels mobilise l’essentiel de la capacité du modèle pour des détails impossibles à vérifier, et en partie parce qu’un agent planifie en comparant des résultats imaginés, et non des images imaginées. L’architecture JEPA traduit cette thèse en code.

Les deux camps s’accordent sur l’objectif : un simulateur assez approfondi pour y entraîner des agents, sans payer le prix réel de chaque erreur. Leur désaccord porte sur la représentation qui y parviendra en premier. Les travaux de DeepMind sur Genie se situent du côté des pixels, avec une nuance que nous aborderons : d’abord les pixels, mais des pixels dans lesquels on peut agir, et désormais avec un modèle de langage à la barre.

Pourquoi un monde interactif est plus difficile qu’une jolie vidéo

La distinction qui échappe souvent aux gens, c’est qu’un modèle du monde représente un degré de difficulté différent de celui d’un générateur vidéo, et non un simple générateur vidéo plus grand. Les différences sont structurelles :

Comparaison	Générateur vidéo	Modèle du monde
Ce que l’on obtient	un clip terminé	un environnement continu
Qui agit dedans	personne — la vidéo défile sans vous	vous, à chaque image
Chaque image est générée à partir de	une invite, débruitée une seule fois	votre dernière action, combinée à l’état actuel du monde
État	rien à conserver	le monde se souvient de ce qu’il a généré
Son	ajouté à un clip terminé au montage	produit en direct avec le monde
Quand ça s’arrête	le clip se termine	quand vous arrêtez — ou quand la dérive s’installe

À propos de ce tableau : il présente la distinction idéale entre les deux types de modèles. Certains produits se situent entre les deux — GWM Worlds 2 de Runway et Oasis de Decart sont des modèles de type vidéo conçus pour être interactifs.

Mais un modèle du monde interactif oblige son créateur à résoudre des problèmes qu’un générateur de clips peut éviter :

Vitesse. Les modèles vidéo de qualité cinématographique peuvent consacrer plusieurs minutes à un plan. Un modèle du monde dispose d’une fraction de seconde par image, car les expériences interactives tournent à 24 à 60 images par seconde, et toute réponse plus lente brise l’illusion. L’interactivité relève d’un problème d’architecture, pas seulement de qualité du résultat.
Mémoire. Le modèle doit conserver tout ce qu’il vous a montré. Éloignez-vous d’un monument et revenez une minute plus tard : s’il est représenté différemment, le monde s’effondre instantanément. C’est pourquoi la cohérence — la durée pendant laquelle un monde peut maintenir une expérience cohérente dont il se souvient — est le chiffre que les spécialistes du domaine surveillent réellement.
Physique causale. Il est facile de truquer des images réalistes ; les liens de cause à effet, beaucoup moins. Un benchmark de 2025 appelé Physics-IQ a interrompu des enregistrements réels d’événements quotidiens et demandé à des modèles vidéo — Sora, Runway, Pika, Lumiere, Stable Video Diffusion, VideoPoet — de les poursuivre, puis a comparé les suites générées à ce qui s’était réellement passé, dans les domaines des fluides, de l’optique, de la mécanique des solides, du magnétisme et de la thermodynamique. Son verdict : la compréhension physique de ces modèles était « extrêmement limitée et sans rapport avec le réalisme visuel ». Un modèle du monde doit réussir à concilier ces deux aspects, sans quoi rien de ce qui y est entraîné ne peut être considéré comme transférable au monde réel.

Ces trois points de tension correspondent clairement à l’historique des versions de Genie. Chaque génération vise à améliorer la vitesse, la mémoire et la causalité.

La lignée Genie : du jouet à deux minutes (selon les informations disponibles)

Génération	Sortie	Ce qu’on lui donne	Ce qu’elle a démontré
Genie	Février 2024	une seule image	monde 2D interactif, actions déduites de vidéos
Genie 2	Décembre 2024	une seule image	monde 3D interactif avec persistance des objets, jusqu’à environ une minute
Genie 3	Août 2025	une invite textuelle	première génération en temps réel : 720p à 24 fps, pendant plusieurs minutes
Genie 4	27 octobre 2026	texte et événements, en direct	audio natif ; un « directeur » Gemini dans la boucle ; ~2 minutes (selon les informations disponibles)

Remarque : la résolution et la fréquence d’images de Genie 4 n’ont pas été publiées. La durée d’une minute pour Genie 2 et les chiffres de Genie 3 proviennent des annonces de DeepMind ; les deux minutes indiquées ci-dessus correspondent au compte rendu par TechCrunch de la présentation de lancement de DeepMind (comme rapporté ici).

Deux détails de la lignée Genie comptent pour comprendre le concept, et pas seulement pour la culture générale :

Le premier Genie a inventé ses propres commandes. L’article sur Genie de 2024 décrivait un modèle du monde fondamental de 11 milliards de paramètres, entraîné sur des vidéos brutes d’Internet sans étiquettes d’action. Il a montré que lorsque quelqu’un appuie sur « gauche » ou « saute » dans les vidéos d’entraînement, le réseau peut extraire un espace d’action latent à partir des changements entre les images. Le système est devenu interactif sans que personne ait étiqueté la moindre action, ce qui explique pourquoi le terme « contrôleur » dans un modèle du monde ne désigne pas des boutons choisis par un concepteur. Il désigne les actions que le modèle peut déduire — et que les générations de DeepMind ont élargies depuis, des mouvements de jeu de plateforme aux événements du monde pilotés par le texte.

La cohérence est le progrès qui raconte l’histoire. Selon l’annonce de DeepMind de décembre 2024, Genie 2 pouvait maintenir un monde cohérent pendant environ une minute. Genie 3 a prolongé l’interaction exploitable à plusieurs minutes, avec une mémoire remontant à environ une minute. Selon le compte rendu de TechCrunch cité plus haut, Genie 4 double l’horizon de fonctionnement pour atteindre environ deux minutes. Lisez cette progression comme le reflet du problème : dans les mondes interactifs, la difficulté ne réside pas dans le rendu. Elle consiste à maintenir des centaines d’états successifs mémorisés cohérents, à une vitesse interactive.

Les nouveautés de Genie 4

L’annonce de DeepMind met en avant quatre capacités. Il faut les considérer ensemble, et non comme « Genie 3 avec quelques ajouts » :

1. Vous dirigez le monde en langage naturel, en direct. Les modifications formulées en langage naturel — changer la météo, déplacer la caméra, faire apparaître une nouvelle personne ou un nouvel objet — s’appliquent à la simulation en temps réel, et Gemini adapte vos instructions à la scène qui l’entoure réellement. Entre vos interventions, Gemini continue d’observer et de guider le monde afin qu’il évolue de manière cohérente. Ici, le défi ne consiste pas à rendre une scène, mais à réagir aux changements qui s’y produisent.

2. Physique et personnages. Genie 4 simule des situations relevant de la physique du monde réel — l’aérodynamique et les collisions sont les exemples de DeepMind — et, selon DeepMind, son « progrès le plus spectaculaire » concerne les personnages : ils se déplacent naturellement, réagissent de manière organique à leur environnement et peuvent être dirigés de façon interactive en temps réel.

3. Audio natif. Selon les propres termes de DeepMind, Genie 4 est « notre premier modèle du monde en temps réel à générer de l’audio nativement ». Chaque décor possède son ambiance sonore, du vent dans les arbres au ressac sur une plage — et l’aspect le plus novateur est la parole : les personnages conversent et réagissent en temps réel à vos interventions et aux événements du monde, au lieu de recevoir une piste doublée après coup.

4. Une couche de raisonnement intégrée à la boucle. C’est sur ce quatrième point que Genie 4 rompt avec la recette de Genie 1 à 3. Selon DeepMind, Gemini Omni — le modèle multimodal de la famille Gemini qui transforme images, audio et texte en vidéo — ancre la simulation dans l’apparence et le comportement du monde réel, tandis que d’autres modèles Gemini apportent le raisonnement. Concrètement, Gemini 3.8 Flash fonctionne en continu comme un « agent de guidage dans la boucle » : pendant que Genie 4 génère le rendu, il observe la scène, décompose l’objectif en étapes, examine les images entrantes, vérifie chaque étape et replanifie lorsque le monde évolue ou que l’utilisateur intervient. Le résultat annoncé : une causalité fiable, des comportements procéduraux et un raisonnement en plusieurs étapes au sein d’un monde généré.

Cette couche de raisonnement a aussi un partenaire nommé dans l’annonce : une expérience menée avec Gemini 4 Argon et Gemini Robotics, dans laquelle Argon décompose une tâche décrite par l’utilisateur en étapes, intégrées à la simulation sous forme de légendes textuelles au fil du rendu — de sorte que la tâche simulée reste orientée vers son achèvement pendant son exécution. Voilà qui ouvre la voie à l’idée de « s’entraîner à une tâche dans un monde rêvé avant de risquer le monde réel », principe au cœur de la proposition des modèles du monde pour la robotique : des environnements d’entraînement infiniment variés, dangereusement réalistes mais sûrs, rejouables et dont chaque nouvelle tentative n’entraîne pratiquement aucun coût marginal.

Ce qui ne fonctionne toujours pas

DeepMind nomme elle-même les lacunes qui subsistent ; elles méritent d’être lues comme la liste des priorités du secteur :

La cohérence ne tient que sur de courtes sessions. Les détails visuels et la permanence des objets restent instables et dérivent — surtout lorsque la simulation se prolonge, après plusieurs modifications complexes ou pendant la navigation dans la scène.
Les interactions physiques complexes, la précision de l’audio en temps réel, le rendu de texte lisible, la précision spatiale et la cohérence à long terme sont autant de domaines de recherche actifs.

Pour le dire plus longuement : personne n’a encore réussi à créer des mondes générés dont la cohérence dure indéfiniment. Marble de World Labs — des mondes 3D reconstruits et persistants, exportables sous forme de Gaussian splats ou de maillages — est une architecture concurrente qui poursuit la même ambition par l’autre versant. Quant à la prochaine étape annoncée par DeepMind, ce sont les modèles du monde hybrides : laisser une architecture de modèles de langage porter la couche structurée et logique du monde, tandis que Genie en restitue l’apparence, les sons et les réactions, plutôt que de demander à un seul réseau géant de tout faire à la fois. Comme l’a déclaré Tejas Kulkarni, directeur de recherche chez Google, lors de la présentation de lancement, selon TechCrunch : « À l’avenir, nous verrons de plus en plus ces modèles du monde hybrides, qui combinent Gemini, chargé d’écrire du code et du texte, et Genie, qui ingère ces éléments en temps réel et simule la réalité à différents niveaux d’abstraction. »

Deux faits importants pour la sécurité avant une éventuelle mise à disposition du grand public : toutes les sorties vidéo et audio de Genie 4 portent un filigrane SynthID, et DeepMind indique avoir mené des évaluations de sécurité avant d’ouvrir l’aperçu, en commençant délibérément par des testeurs de confiance.

Qui d’autre construit ce type de modèle — et pourquoi tous convergent

Genie 4 arrive dans un secteur déjà en mouvement. Voici les grandes lignes, selon les deux écoles présentées plus haut :

Oasis de Decart (octobre 2024, développé avec la jeune pousse spécialisée dans les puces Etched) a prouvé que les petits modèles pouvaient rivaliser : un modèle de 500 millions de paramètres, publié en open source pour une exécution locale, avec une démo hébergée utilisant un checkpoint plus grand, improvisant un monde inspiré de Minecraft en 360p et à 20 fps sur un NVIDIA H100 — sans moteur de jeu dans la boucle. (Selon le Wall Street Journal, Amazon serait en pourparlers pour acquérir Decart pour environ $7 billion.)
Marble de World Labs relève de l’intelligence spatiale — le terme employé par l’entreprise de Fei-Fei Li pour désigner sa propre approche des modèles du monde. Des mondes 3D persistants et explorables, générés à partir de texte, d’images ou de vidéos, consultables sans limite de temps et exportables sous forme de Gaussian splats, de maillages ou de vidéos. AMD a annoncé le September 28, 2026 qu’elle acquérait World Labs pour $8.2 billion.
Cosmos de NVIDIA représente le volet industriel : des checkpoints de modèles du monde fondamentaux en open source pour générer des données d’entraînement synthétiques et simuler des scénarios futurs pour les robots et les véhicules autonomes — la même logique consistant à « rêver avant le réel », appliquée aux machines dotées d’actionneurs autant que de caméras. La suite « IA physique » de NVIDIA (Cosmos, ainsi que les modèles fondamentaux de robotique Isaac GR00T) est présentée précisément dans l’esprit de l’expérience de DeepMind en robotique.
GWM Worlds 2 de Runway est sorti quelques mois avant Genie 4 : des mondes générés jouables avec audio, proposés par une entreprise spécialisée dans la génération vidéo. C’est la preuve, du côté de l’école des pixels, que la frontière entre modèle vidéo et modèle du monde s’estompe dans l’autre sens.

Et autour de ce paysage, l’argent suit : Amazon–Decart, AMD–World Labs et le rachat de la jeune pousse spécialisée dans les modèles du monde Third Dimension par Rivian — annoncé le October 22, 2026 — afin d’internaliser la simulation pour les essais de conduite autonome. Les studios de jeux, les fabricants de robots et les constructeurs automobiles cherchent tous la même chose : des mondes servant d’environnements d’entraînement. Voilà pourquoi Google poursuit cette piste, et pourquoi l’horizon de deux minutes rapporté relève d’un objectif de recherche plutôt que d’un argument marketing : un simulateur n’est une salle de classe utile que s’il reste cohérent assez longtemps pour permettre l’apprentissage.

DeepMind présente l’ensemble de ces travaux comme « un aspect essentiel de la construction de l’AGI ». L’affirmation sous-jacente : une intelligence appelée à agir dans le monde doit apprendre à partir des causes, et non des étiquettes ; un monde contrôlable, infiniment variable et dangereusement réaliste mais sûr est le seul environnement d’apprentissage capable de passer à l’échelle. C’est la version forte de cette thèse — qui reste une thèse. Personne ne peut encore prouver si la simulation au niveau des pixels deviendra le substrat de l’intelligence incarnée, ou l’un de plusieurs substrats, les représentations latentes abstraites de l’école de LeCun prenant une partie du relais.

Voici ce qu’on peut affirmer précisément au sujet de Genie 4 : la première caractéristique officiellement défendable est l’audio natif — selon la description de DeepMind, il s’agit du premier modèle du monde en temps réel à générer de l’audio nativement. Les affirmations plus ambitieuses sont les nôtres, et doivent être considérées comme des arguments, pas comme des faits établis : à nos yeux, il s’agit du premier monde interactif de ce niveau de fidélité auquel on peut parler et qui nous répond, ainsi que du cas public le plus clair à ce jour d’un modèle de raisonnement partageant la boucle du moteur de rendu — le point le plus proche auquel le secteur soit arrivé pour donner à l’expression « modèle du monde » son double sens : les pixels et l’esprit qui les parcourt.

FAQ

Qu’est-ce qu’un modèle du monde, en une phrase ?
Un modèle génératif du fonctionnement d’un monde : à partir de son état actuel et d’une action, il prédit l’apparence et les sons du monde à l’instant suivant, afin que des agents puissent agir et s’entraîner à l’intérieur.

En quoi Genie 4 est-il différent d’un modèle vidéo comme Veo ou Sora ?
Un modèle vidéo produit un clip terminé ; Genie 4 vous donne un environnement qui répond à vos entrées image par image, se souvient de ce qu’il a généré et produit son propre audio en direct. La vidéo, c’est du contenu ; un modèle du monde, c’est un lieu.

Puis-je utiliser Genie 4 dès maintenant ?
Pas encore. Il s’agit d’un aperçu de recherche réservé à des testeurs de confiance. Les consommateurs y auront accès ensuite, via Project Genie pour les abonnés Google AI Ultra (qui utilise actuellement Genie 3), puis les développeurs, en tant que partenaires d’accès anticipé à l’API Gemini et à Google AI Studio. Aucune date ni aucun tarif n’ont été annoncés.

Combien de temps peut durer une session Genie 4 ?
Les sessions restent courtes. Officiellement, la cohérence ne tient que sur de « courtes sessions » ; selon le compte rendu de TechCrunch sur la présentation de lancement, la limite serait d’environ deux minutes de scène cohérente, soit le double de Genie 3.

Genie 4 génère-t-il du son ?
Oui — il ne s’agit pas d’une piste audio ajoutée à une vidéo terminée. Les sons d’ambiance, la musique et les dialogues parlés sont générés comme partie intégrante du monde, image par image, et les personnages réagissent à l’utilisateur comme les uns aux autres en temps réel.

Alors, Genie 4 comprend-il la physique ?
DeepMind présente dans ses démos de lancement des scénarios physiques tels que l’aérodynamique et les collisions, mais aucun benchmark de physique vérifiable publiquement n’a été publié pour Genie 4. Des évaluations indépendantes de modèles de type vidéo, notamment Physics-IQ, continuent de montrer que le réalisme visuel n’implique pas une compréhension de la physique : considérez le réalisme comme un indicateur indirect, et non comme une preuve.

Les modèles du monde vont-ils remplacer les moteurs de jeu ?
Pas de sitôt, et probablement pas entièrement. Les mondes générés ont déjà l’avantage de la rapidité et de la variété pour l’exploration et le prototypage, mais ils ne peuvent pas encore offrir les mondes déterministes, maîtrisés par la conception et cohérents sur de longues sessions que garantissent les moteurs. Le scénario le plus probable à court terme est celui d’une collaboration : des mondes générés pour l’idéation, la simulation et l’entraînement des agents ; des moteurs pour la production et les expériences de jeu déterministes.