Genie 4, spiegato: cosa sono i world model e perché Google continua a inseguirli

Il 27 ottobre 2026, Google DeepMind ha annunciato Genie 4, il suo più recente world model. A differenza di un modello video di IA — che ti consegna una clip finita — Genie 4 genera un mondo in cui puoi entrare: reagisce alla tastiera a ogni fotogramma, puoi riscrivere la scena durante la simulazione usando un linguaggio semplice e ora il mondo ha anche un audio in tempo reale tutto suo — vento, passi, musica, dialoghi parlati — invece di una colonna sonora aggiunta al video in un secondo momento.

Le nuove funzionalità sono il cuore della notizia, ma offrono anche il pretesto più chiaro del momento per rispondere alla domanda su cui l’industria dell’IA discute da due anni: che cos’è esattamente un «world model» e perché ogni grande laboratorio ne vuole uno?

Al momento del lancio, Genie 4 è un’anteprima di ricerca riservata a tester selezionati. Secondo DeepMind, arriverà «presto» agli abbonati Google AI Ultra tramite Project Genie — il prodotto consumer dell’azienda per esplorare mondi, attualmente basato su Genie 3, Nano Banana Pro e Gemini — e ai partner con accesso anticipato di Gemini API e Google AI Studio. La lista d’attesa di Project Genie è già aperta; non sono state comunicate date né prezzi. Per ora, quindi, nessuno può ancora prenotare del tempo all’interno di Genie 4. Quello che puoi fare è capire il settore a cui appartiene: è proprio questo il suo aspetto interessante, e si evolve rapidamente.

Ma cos’è, in pratica, un world model?

Al netto del marketing, un world model è una rete neurale che ha imparato abbastanza bene come si comporta un certo mondo da poter continuare a simularlo: dato lo stato attuale del mondo e un’azione, prevede come apparirà — e ora anche come suonerà — subito dopo. Fornisci a un sistema del genere abbastanza video e ne emerge qualcosa di simile a un motore di gioco che non hai mai scritto: niente codice per la fisica, niente risorse create a mano, niente progettazione dei livelli. Le regole, il paesaggio, le nuvole sopra le colline: tutto nasce dai pesi del modello.

L’idea ha un testo fondativo. Nel 2018, l’articolo World Models di David Ha e Jürgen Schmidhuber mostrò che era possibile addestrare un piccolo agente all’interno di un modello generativo del suo stesso ambiente — come scrissero gli autori, «interamente dentro il sogno allucinato generato dal suo world model» — e poi trasferirlo di nuovo nel gioco reale. È ancora la definizione più semplice e incisiva: un world model è un luogo in cui fare pratica.

Da allora, le aziende hanno tratto due conclusioni diverse dalla stessa idea:

• Prevedere i pixel. Nel febbraio 2024, in «Video generation models as world simulators», OpenAI sostenne che ampliare la generazione video fosse «una strada promettente per costruire simulatori generici del mondo fisico». A sostegno di questa tesi, mostrò Sora mentre generava una partita a Minecraft e controllava al tempo stesso il giocatore tramite una semplice policy. L’idea è che, rendendo il video abbastanza realistico, si ottenga anche una comprensione del mondo.
• Prevedere astrazioni. Il documento programmatico del 2022 di Yann LeCun, A Path Towards Autonomous Machine Intelligence, sostiene la tesi opposta: un world model dovrebbe prevedere gli stati futuri in uno spazio di rappresentazioni astratte, non nei pixel. In parte perché prevedere a livello di pixel assorbe la maggior parte della capacità del modello in dettagli che nessuno può verificare; in parte perché un agente pianifica confrontando risultati immaginati, non fotogrammi immaginati. L’architettura JEPA traduce questa tesi in codice.

Entrambi gli schieramenti concordano sull’obiettivo: un simulatore abbastanza approfondito da addestrarvi agenti, senza dover pagare il costo reale di ogni errore. Non concordano invece su quale rappresentazione permetta di raggiungerlo per prima. Il lavoro di DeepMind su Genie si colloca dalla parte dei pixel, con una particolarità che vedremo tra poco: prima i pixel, ma pixel attraverso cui puoi agire, e ora con un modello linguistico a guidarli.

Perché un mondo interattivo è più difficile di un bel video

La distinzione che spesso trae in inganno è che un world model appartiene a una categoria di difficoltà diversa da un generatore video, non è semplicemente un generatore video più grande. Le differenze sono strutturali:

Una precisazione sulla tabella: descrive la differenza ideale tra i due tipi di modello. Alcuni prodotti si collocano a cavallo tra le due categorie: GWM Worlds 2 di Runway e Oasis di Decart sono modelli in stile video progettati per essere interattivi.

Ma chi crea un world model interattivo deve affrontare problemi che un generatore di clip può evitare:

1. Velocità. I modelli video di qualità cinematografica possono impiegare minuti per produrre una scena. Un world model ha a disposizione una frazione di secondo per fotogramma, perché le esperienze interattive funzionano a 24–60 fotogrammi al secondo e una risposta più lenta rompe l’illusione. L’interattività è un problema di architettura, non solo di qualità dell’output.
2. Memoria. Il modello deve conservare tutto ciò che ti ha mostrato. Allontanati da un punto di riferimento e torna un minuto dopo: se il punto viene renderizzato in modo diverso, il mondo crolla all’istante. Ecco perché chi lavora nel settore monitora soprattutto la coerenza: quanta esperienza coerente e memorizzata riesce a mantenere un mondo.
3. Fisica causale. È facile simulare un filmato realistico; causa ed effetto sono un’altra cosa. Un benchmark del 2025 chiamato Physics-IQ ha messo in pausa registrazioni reali di eventi quotidiani e ha chiesto a modelli video — Sora, Runway, Pika, Lumiere, Stable Video Diffusion, VideoPoet — di proseguirle; poi ha confrontato le continuazioni con ciò che accadeva davvero, in ambiti quali fluidi, ottica, meccanica dei solidi, magnetismo e termodinamica. Il verdetto: la comprensione fisica di quei modelli era «gravemente limitata e scollegata dal realismo visivo». Un world model deve riuscire in questo difficile equilibrio, altrimenti non ci si può fidare che ciò che viene addestrato al suo interno funzioni anche fuori.

Questi tre punti critici corrispondono chiaramente alla storia delle versioni di Genie. Ogni generazione serve a ottenere progressi in velocità, memoria e causalità.

La linea Genie: da un giocattolo a due minuti (secondo quanto riportato)

Nota: risoluzione e frequenza dei fotogrammi di Genie 4 non sono state rese note. La durata di un minuto di Genie 2 e i dati di Genie 3 provengono dagli annunci di DeepMind; il dato dei due minuti riportato sopra è una stima di TechCrunch basata sul briefing di lancio di DeepMind (come riportato qui).

Due dettagli della linea Genie sono importanti per capire il concetto, non solo per curiosità:

Il primo Genie ha inventato da sé i controlli. L’articolo del 2024 su Genie descriveva un world model di base da 11 miliardi di parametri, addestrato su video grezzi reperiti online senza etichette delle azioni. Mostrava inoltre che, quando nei filmati di addestramento una persona preme «sinistra» o salta, la rete può ricavare uno spazio latente delle azioni dalle differenze tra i fotogrammi. Il modello è diventato interattivo senza che nessuno etichettasse le azioni: ecco perché, in un world model, «controlli» non significa pulsanti scelti da un designer. Significa tutte le azioni che il modello riesce a inferire, un insieme che DeepMind ha ampliato a ogni generazione, dalle mosse dei platform agli eventi nel mondo guidati dal testo.

La coerenza è il progresso che racconta meglio la storia. Secondo l’annuncio di DeepMind del dicembre 2024, Genie 2 riusciva a mantenere coerente un mondo per circa un minuto. Genie 3 ha esteso l’interazione utilizzabile a diversi minuti, con una memoria che risaliva a circa un minuto prima. Secondo il resoconto di TechCrunch citato sopra, Genie 4 raddoppia l’orizzonte operativo, portandolo a circa due minuti. La sequenza mostra la natura del problema: la vera difficoltà dei mondi interattivi non è il rendering, ma mantenere allineati centinaia di stati consecutivi ricordati, senza rallentare l’interazione.

Le novità di Genie 4

L’annuncio di DeepMind mette in evidenza quattro funzionalità. Consideriamole insieme, non come «Genie 3 con qualche extra»:

1. Puoi guidarlo in tempo reale con il linguaggio. Le modifiche in linguaggio naturale — cambiare il meteo, spostare la telecamera, introdurre una persona o un oggetto — vengono applicate alla simulazione in tempo reale, e Gemini adatta le tue istruzioni alla scena che la circonda. Tra un tuo input e l’altro, Gemini continua a osservare e a guidare il mondo, così che proceda in modo coerente. La difficoltà non sta nel renderizzare una scena, ma nel rispondere ai cambiamenti al suo interno.

2. Fisica e persone. Genie 4 simula scenari di fisica del mondo reale — l’aerodinamica e le collisioni sono gli esempi citati da DeepMind — e il suo «salto più spettacolare», secondo DeepMind, riguarda le persone: personaggi che si muovono in modo naturale, reagiscono spontaneamente all’ambiente e possono essere guidati interattivamente in tempo reale.

3. Audio nativo. Secondo la stessa descrizione di DeepMind, Genie 4 è «il nostro primo world model in tempo reale a generare audio in modo nativo». Ogni ambientazione ha i propri suoni ambientali, dal vento tra gli alberi al fragore delle onde sulla spiaggia; l’aspetto più innovativo è il parlato: i personaggi conversano e reagiscono ai tuoi input e agli eventi del mondo in tempo reale, invece di ricevere una traccia doppiata in un secondo momento.

4. Un livello di ragionamento all'interno del ciclo. È qui che Genie 4 si discosta dalla formula di Genie 1–3. DeepMind afferma che, sotto il cofano, Gemini Omni — il modello multimodale della famiglia Gemini che trasforma immagini, audio e testo in video — ancora la simulazione all'aspetto e al comportamento del mondo reale, mentre altri modelli Gemini forniscono il ragionamento. In concreto, Gemini 3.8 Flash opera senza interruzioni come «agente guida nel ciclo»: mentre Genie 4 renderizza, osserva la scena, scompone l'obiettivo in passaggi, esamina i fotogrammi in arrivo, verifica ogni passaggio e riformula il piano quando il mondo cambia o l'utente interviene. Il risultato dichiarato: causalità affidabile, comportamenti procedurali e ragionamento in più passaggi all'interno di un mondo generato.

Nell'annuncio, questo livello di ragionamento ha anche un partner specifico: un esperimento con Gemini 4 Argon e Gemini Robotics, in cui Argon scompone un'attività indicata dall'utente in passaggi, inseriti nella simulazione come didascalie testuali mentre viene renderizzata, così che l'attività simulata continui a essere guidata verso il completamento durante l'esecuzione. È la porta d'accesso all'idea di «esercitarsi in un mondo sognato prima di investire in quello reale», che è l'intera promessa dei world model per la robotica: ambienti di addestramento infinitamente vari, pericolosi in modo sicuro, riutilizzabili, con un costo marginale praticamente nullo per ogni nuovo tentativo.

Cosa ancora non funziona

DeepMind stessa indica le lacune ancora da colmare, che vale la pena leggere come l'elenco delle priorità del settore:

• La coerenza regge solo nelle sessioni brevi. I dettagli visivi e la permanenza degli oggetti continuano a cambiare e a deviare, soprattutto quando una simulazione dura più a lungo, dopo più modifiche complesse o mentre ci si sposta nella scena.
• Le interazioni fisiche complesse, la precisione dell'audio in tempo reale, il rendering di testo leggibile, la precisione spaziale e la coerenza a lungo termine sono tutti ambiti di ricerca attivi.

Per dirlo più diffusamente: nessuno è ancora riuscito a creare mondi generati coerenti per sempre. Marble di World Labs — mondi 3D ricostruibili e persistenti, esportabili come Gaussian splat o mesh — è un'architettura concorrente che punta alla stessa ambizione da una prospettiva opposta. E il prossimo passo dichiarato da DeepMind è costituito dai world model ibridi: lasciare che un sistema basato su modelli linguistici gestisca il livello strutturato e logico del mondo, mentre Genie ne riproduce l'aspetto, i suoni e le reazioni, invece di chiedere a un'unica enorme rete di fare entrambe le cose contemporaneamente. Come ha spiegato Tejas Kulkarni, direttore di ricerca di Google, durante la presentazione di lancio, secondo TechCrunch: «In futuro vedremo sempre più questi world model ibridi, in cui Gemini scrive codice e testo, e Genie li acquisisce in tempo reale e simula la realtà a diversi livelli di astrazione».

Prima che questa tecnologia raggiunga il grande pubblico, ci sono due fatti rilevanti per la sicurezza: tutti i contenuti video e audio di Genie 4 includono la filigrana SynthID e DeepMind afferma di aver condotto valutazioni di sicurezza prima di aprire l'anteprima, riservandola intenzionalmente in un primo momento a tester di fiducia.

Chi altro ci sta lavorando e perché le diverse iniziative convergono

Genie 4 è arrivato in un settore già in fermento. Ecco una mappa approssimativa, organizzata secondo i due approcci descritti sopra:

• Oasis di Decart (ottobre 2024, realizzato con la startup di chip Etched) ha dimostrato che il settore poteva funzionare anche su piccola scala: un modello da 500-million-parameter reso open source per l'esecuzione locale, affiancato da una demo ospitata che esegue un checkpoint più grande e improvvisa un mondo in stile Minecraft a 360p e 20 fps su NVIDIA H100, senza alcun motore di gioco nel ciclo. (Secondo quanto riportato da The Wall Street Journal, Amazon starebbe trattando per acquisire Decart per circa $7 billion.)
• Marble di World Labs è un esempio di intelligenza spaziale, il termine con cui l'azienda di Fei-Fei Li definisce la propria scommessa sui world model. Crea mondi 3D persistenti e navigabili a partire da testo, immagini o video, visibili senza limiti di tempo ed esportabili come Gaussian splat, mesh o video. Il 28 settembre 2026, AMD ha annunciato l'acquisizione di World Labs per $8.2 billion.
• NVIDIA Cosmos è il ramo industriale: checkpoint open source di world foundation model per generare dati sintetici di addestramento e simulare scenari futuri per robot e veicoli autonomi. È la stessa logica del «sognare prima della realtà», applicata a macchine dotate sia di attuatori che di videocamere. La piattaforma di «IA fisica» di NVIDIA (Cosmos, insieme ai modelli fondazionali per robot Isaac GR00T) viene presentata proprio sulla falsariga dell'esperimento di DeepMind sulla robotica.
• GWM Worlds 2 di Runway è stato lanciato un paio di mesi prima di Genie 4: mondi generati interattivi con audio, realizzati da un'azienda specializzata nella generazione video. È la prova, dal versante dei modelli basati sui pixel, che il confine tra modelli video e world model si sta sfumando nella direzione opposta.

E intorno a questa mappa si muovono i capitali: Amazon–Decart, AMD–World Labs e l'acquisizione della startup di world model Third Dimension da parte di Rivian — annunciata il 22 ottobre 2026 — per integrare internamente la simulazione nei test di guida autonoma. Studi di videogiochi, produttori di robot e case automobilistiche cercano tutti la stessa cosa: mondi come ambienti di addestramento. Ecco perché Google continua a puntare su questo settore e perché il limite riportato di due minuti è un obiettivo di ricerca, non uno slogan di marketing: un simulatore è un'aula utile solo se resta coerente abbastanza a lungo da permettere di imparare.

DeepMind definisce l'intero filone di ricerca «un aspetto cruciale della costruzione dell'AGI». L'idea alla base è che un'intelligenza destinata ad agire nel mondo debba imparare dalle cause, non dalle etichette, e che un mondo controllabile, infinitamente variabile e sicuro pur essendo pericoloso sia l'unica aula in grado di scalare. È la versione più ambiziosa della scommessa, e resta una scommessa. Non è ancora possibile dimostrare se la simulazione a livello di pixel diventerà la base dell'intelligenza incarnata o se sarà una base tra diverse, con i latenti astratti del gruppo di LeCun a farsi carico di una parte del lavoro.

Cosa si può affermare nello specifico di Genie 4: il primato ufficialmente sostenibile è quello dell'audio nativo; secondo la descrizione di DeepMind, è il primo world model in tempo reale a generare audio nativamente. Le affermazioni più ampie sono nostre e vanno considerate per il loro valore argomentativo, non come fatti assodati: a nostro avviso, è il primo mondo interattivo di questa fedeltà con cui si può parlare e che risponde, nonché il caso pubblico più chiaro finora di un modello di ragionamento che condivide il ciclo del renderer. È il risultato più vicino a cui il settore sia mai arrivato nel far sì che «world model» significhi entrambe le parti dell'espressione: i pixel e la mente che si muove al loro interno.

Domande frequenti

Cos'è un world model, in una frase?
Un modello generativo del comportamento di un mondo: dato lo stato attuale del mondo e un'azione, prevede come apparirà e come suonerà in seguito, così che gli agenti possano agire ed esercitarsi al suo interno.

In cosa Genie 4 è diverso da un modello video come Veo o Sora?
Un modello video fornisce una clip già pronta; Genie 4 offre un ambiente che risponde ai tuoi input fotogramma per fotogramma, ricorda ciò che ha generato e produce audio in tempo reale. Il video è un contenuto; un world model è un luogo.

Posso usare Genie 4 oggi?
Non ancora. È un'anteprima di ricerca riservata a tester di fiducia. I consumatori saranno i prossimi, tramite Project Genie per gli abbonati a Google AI Ultra (che al momento usa Genie 3); in seguito arriveranno gli sviluppatori, come partner di accesso anticipato per Gemini API e Google AI Studio. Non sono state annunciate date né prezzi.

Quanto può durare una sessione di Genie 4?
Le sessioni sono ancora brevi. Ufficialmente, la coerenza regge nelle «sessioni brevi»; secondo il resoconto di TechCrunch sulla presentazione di lancio, il limite è di circa due minuti di coerenza della scena, il doppio rispetto a Genie 3.

Genie 4 genera suoni?
Sì: non aggiunge una traccia audio a un video già finito. I suoni ambientali, la musica e i dialoghi vengono generati come parte del mondo a ogni fotogramma, mentre i personaggi reagiscono a te e tra loro in tempo reale.

Quindi Genie 4 capisce la fisica?
Nei video dimostrativi di lancio, DeepMind mostra scenari fisici come l'aerodinamica e le collisioni, ma non è stato pubblicato alcun benchmark della fisica per Genie 4 verificabile pubblicamente. Le valutazioni indipendenti dei modelli in stile video, tra cui Physics-IQ, continuano a rilevare che il realismo visivo non implica comprensione fisica: considera il realismo un indicatore, non una prova.

I world model sostituiranno i motori di gioco?
Non nel prossimo futuro e, probabilmente, non del tutto. I mondi generati sono già superiori in velocità e varietà per l'esplorazione e la prototipazione, ma non sono ancora in grado di offrire i mondi deterministici, controllabili in fase di progettazione e fruibili per sessioni lunghe che i motori garantiscono. Lo scenario più probabile nel prossimo futuro è la collaborazione: mondi generati per l'ideazione, la simulazione e l'addestramento degli agenti; motori per la produzione e il gioco deterministico.

Fonti

• Genie 4: una nuova generazione di simulazione del mondo (Google DeepMind, 27 ottobre 2026)
• Genie 3: una nuova frontiera per i world model (Google DeepMind, 5 agosto 2025)
• Genie 2: un world model fondazionale su larga scala (Google DeepMind, 4 dicembre 2024)
• Il world model Genie 4 di Google aggiunge audio, mondi più realistici e controllo in tempo reale (TechCrunch, 27 ottobre 2026)
• Generare mondi più grandi e migliori / Marble: un world model multimodale (World Labs)
• NVIDIA e i leader globali della robotica portano l'IA fisica nel mondo reale (NVIDIA, 16 marzo 2026)