On October 27, 2026, Google DeepMind announced Genie 4, its newest world model. Unlike an AI video model — which hands you a finished clip — Genie 4 generates a world you step into: it responds to your keyboard every frame, you can rewrite the scene mid-simulation with plain English, and the world now carries its own live sound — wind, footsteps, music, spoken dialogue — instead of a soundtrack laid over video afterwards.
新機能こそ今回の主役ですが、AI業界が2年にわたって議論してきた問いに答えるうえで、これほど明快なきっかけもありません。「ワールドモデル」とは正確には何なのか、そしてなぜ大手研究機関はどこも欲しがっているのか？
発表時点で、Genie 4は信頼できるテスター向けの研究プレビューです。DeepMindによると、同社の一般消費者向け世界探索プロダクトであるProject Genieを通じて、Google AI Ultraの加入者に「近日公開」予定です。Project Genieは現在、Genie 3にNano Banana ProとGeminiを組み合わせて稼働しています。また、Gemini APIとGoogle AI Studioの早期アクセスパートナーにも提供される予定です。Project Genieのウェイトリストはすでに受付を開始していますが、日程も価格も発表されていません。つまり、今のところGenie 4の利用枠を予約することはできません。できるのは、このモデルが属する分野について理解することです。面白いのはその分野そのものであり、急速に進化しています。
そもそもワールドモデルとは？
マーケティングを取り払って考えると、ワールドモデルとは、ある世界がどのように振る舞うかを、シミュレーションを続けられるほど十分に学習したニューラルネットワークです。世界の現在の状態とアクションを入力すると、次に世界がどう見え、そして今ではどう聞こえるかを予測します。このようなシステムに十分な動画を与えると、まるで誰も書いていないゲームエンジンのようなものが生まれます。物理演算のコードも、手作りのアセットも、レベルデザインも必要ありません。ルールも、風景も、丘にかかる雲も、すべて重みから生み出されます。
このアイデアには、その原点を示す論文があります。2018年、David HaとJürgen Schmidhuberによる論文World Modelsは、小さなエージェントを自身の環境の生成モデルの中で学習させられることを示しました。著者らの言葉を借りれば、エージェントは「ワールドモデルが生成した、自らの幻覚による夢の中だけで」学習し、その後、実際のゲームに移されました。今もこれが最も簡潔な一文での定義です。ワールドモデルとは、練習するための場所です。
それ以来、企業は同じアイデアから2つの異なる結論を導き出してきました。
- ピクセルで予測する。OpenAIは2024年2月、「Video generation models as world simulators」で、動画生成のスケールアップは「物理世界の汎用シミュレーターを構築する有望な道筋」だと主張しました。その方向性を裏付ける例として、SoraがMinecraftのゲームプレイを描きながら、基本的な方策でプレイヤーを同時に操作する様子を挙げています。動画の品質を十分に高めれば、世界の理解もその過程で身につく、という考え方です。
- 抽象表現で予測する。Yann LeCunの2022年のポジションペーパーA Path Towards Autonomous Machine Intelligenceは、正反対の見解を示しています。ワールドモデルはピクセルではなく、抽象表現空間で将来の状態を予測すべきだというものです。その理由の一つは、ピクセル単位の予測では、モデルの容量の大半が、誰も検証できない細部に費やされることです。もう一つは、エージェントが計画を立てる際に比較するのは、想像上のフレームではなく、想像上の結果だからです。JEPAアーキテクチャは、この主張をコードとして形にしたものです。
どちらの立場も目標は同じです。あらゆる失敗に現実世界のコストを払わずに、エージェントを訓練できるほど高度なシミュレーターを作ることです。意見が分かれるのは、どの表現が先にその目標へ到達するかです。DeepMindのGenieシリーズはピクセル側に属します。ただし、後ほど触れるように、ひとひねりあります。まずピクセルから始めるものの、その中で行動でき、さらに今では背後に言語モデルが控えているのです。
操作できる世界が、きれいな動画より難しい理由
混乱を招きやすいのは、ワールドモデルが動画生成モデルの大型版なのではなく、動画生成モデルとは難しさの次元が異なるという点です。違いは構造的です。
| 比較項目 | 動画生成モデル | ワールドモデル |
|---|---|---|
| 得られるもの | 完成した動画 | 継続する環境 |
| 中で行動するのは誰か | 誰もいない — あなたがいなくても再生される | あなた。フレームごとに |
| 各フレームの生成元 | プロンプトを一度デノイズしたもの | 直前のアクションと世界の現在の状態 |
| 状態 | 保持するものは何もない | 世界は生成した内容を記憶する |
| 音 | 完成した動画に編集で追加される | 世界とともにリアルタイムに生まれる |
| 終了するタイミング | 動画が終わったとき | あなたが止めたとき — またはドリフトが起きたとき |
この表について補足すると、ここでは2種類のモデルの理想的な違いを示しています。個々の製品はその中間に位置することもあります。RunwayのGWM Worlds 2やDecartのOasisは、動画型のモデルでありながら、操作できるように作られています。
しかし、操作できるワールドモデルを作ると、動画生成モデルなら避けて通れる問題に取り組む必要があります。
- 速度。映画品質の動画モデルは、1つのショットを生成するのに何分もかけられます。一方、ワールドモデルは1フレームあたり数分の1秒しか使えません。インタラクティブな体験は毎秒24〜60フレームで動作し、それより応答が遅いと没入感が崩れるからです。インタラクティブ性は、出力品質だけでなくアーキテクチャの問題でもあります。
- 記憶。モデルが見せたものはすべて、モデルが保持しなければなりません。目印となる場所から離れ、1分後に戻ってきたとき、その場所が違って描画されれば、世界はたちまち崩壊します。だからこそ、一貫性、つまり世界がどれだけ一貫した記憶を保ち続けられるかが、この分野の人々が実際に注目する指標なのです。
- 因果的な物理法則。本物らしい映像をごまかして作るのは簡単ですが、原因と結果はそうはいきません。2025年のベンチマークPhysics-IQでは、日常の出来事を撮影した実映像を途中で止め、Sora、Runway、Pika、Lumiere、Stable Video Diffusion、VideoPoetといった動画モデルに続きを生成させました。そして、流体、光学、固体力学、磁性、熱力学の各分野で、実際に次に起きたことと照らし合わせて生成結果を採点しました。その結論は、これらのモデルの物理的理解は「著しく限定的であり、視覚的なリアリズムとは無関係」だというものでした。ワールドモデルは、この難題をうまく乗り越えなければなりません。そうでなければ、その中で訓練されたものが現実世界でも通用するか、何も信頼できないからです。
こうした3つの課題は、Genieのリリースの歩みときれいに対応しています。各世代は、速度、記憶、因果関係を次の段階へ進めるために登場しています。
Genieシリーズ：おもちゃから2分間へ（報道ベース）
| 世代 | リリース時期 | 入力するもの | 実証したこと |
|---|---|---|---|
| Genie | 2024年2月 | 1枚の画像 | 操作可能な2D世界。アクションは動画から推定 |
| Genie 2 | 2024年12月 | 1枚の画像 | オブジェクトの永続性を備えた操作可能な3D世界。最大で約1分 |
| Genie 3 | 2025年8月 | テキストプロンプト | 初のリアルタイム生成：720p、24 fps、数分間 |
| Genie 4 | 2026年10月27日 | テキストとイベント、リアルタイム | ネイティブ音声。Geminiの「ディレクター」が介在。約2分間（報道ベース） |
注：Genie 4の解像度とフレームレートは未公表です。Genie 2の1分間という数値とGenie 3の数値は、DeepMindの発表に基づきます。上記の2分間という数値は、DeepMindの発表会をTechCrunchが取材して報じたものです（こちらの報道に基づく）。
Genieシリーズには、豆知識にとどまらず、この概念を理解するうえで重要な点が2つあります。
初代Genieは、自ら操作方法を編み出しました。2024年のGenieの論文では、行動ラベルのないインターネット上の生動画で学習させた、110億パラメータの基盤ワールドモデルが紹介されました。学習動画の中で人が「左」を押したり「ジャンプ」したりすると、ネットワークはフレーム間の変化から潜在行動空間を抽出できることが示されました。誰も行動にラベルを付けていないのに、操作可能性が生まれたのです。だからこそ、ワールドモデルにおける「コントローラー」とは、デザイナーが決めたボタンを意味しません。モデルが推定できるあらゆるアクションを指します。そしてDeepMindの各世代は、プラットフォーマーの動きから、テキストで指示する世界の出来事に至るまで、その範囲を広げてきました。
一貫性の向上が、進歩の本質を物語っています。DeepMindの2024年12月の発表によると、Genie 2は約1分間、一貫した世界を保つことができました。Genie 3では、約1分前までの記憶を持ちながら、実用的なインタラクションを数分間に延ばしました。上記のTechCrunchの報道によると、Genie 4は実用時間を約2分間へと倍増させました。この流れから、課題の本質が見えてきます。インタラクティブな世界で難しいのは描画ではありません。数百もの連続した状態を記憶に基づいて整合させながら、インタラクティブな速度を保つことです。
Genie 4の新機能
DeepMindの発表では、4つの機能が中心に取り上げられています。「Genie 3に機能を追加したもの」としてではなく、まとめて見てみましょう。
1. リアルタイムで言葉による操作が可能。天候の変更やカメラの移動、新しい人物や物体の登場といった自然言語による編集が、シミュレーションにリアルタイムで反映されます。Geminiは、実際に周囲にあるシーンに合わせてあなたの言葉を解釈します。あなたが入力していない間も、Geminiは世界を見守り、操作を続けることで、一貫性を保ちながら世界を進行させます。ここで重要なのは、シーンを描画することではなく、シーンの中で起きる変化に応じることです。
2. 物理法則と人々。Genie 4は、空気力学や衝突を例に挙げながら、現実世界の物理現象をシミュレートします。DeepMindによれば、「最も劇的な進歩」は人々に関するものです。登場人物が自然に動き、周囲の環境に有機的に反応し、リアルタイムでインタラクティブに操作できます。
3. ネイティブ音声。DeepMind自身の説明によれば、Genie 4は「音声をネイティブに生成する初のリアルタイム・ワールドモデル」です。風に揺れる木々から浜辺に打ち寄せる波まで、どの舞台にも固有の環境音が伴います。そして最先端の機能は会話です。登場人物は、あとから吹き替え音声を付けるのではなく、世界の出来事やユーザーの入力にリアルタイムで反応し、会話します。
4. ループ内の推論レイヤー。4つ目の特徴は、Genie 4がGenie 1〜3の方式から一線を画す点です。DeepMindによると、内部ではGeminiファミリーのマルチモーダルモデルであるGemini Omniが、画像・音声・テキストを動画に変換してシミュレーションに現実世界の見た目や振る舞いを反映し、ほかのGeminiモデルが推論を担います。具体的には、Gemini 3.8 Flashが「ループ内のガイドエージェント」として継続的に動作します。Genie 4が描画する間、シーンを観察し、目標を段階に分解し、入力されるフレームを確認して各ステップを検証し、世界の状況が変化したりユーザーが介入したりすると計画を立て直します。これにより、生成された世界の中で、信頼性の高い因果関係、手順に沿った行動、複数ステップの推論を実現するとされています。
発表では、この推論レイヤーに名指しのパートナーも登場しました。Gemini 4 ArgonとGemini Roboticsを使った実験では、Argonがユーザーから指示されたタスクをステップに分解し、シミュレーションの描画中にテキストのキャプションとして各ステップを挿入します。こうして、シミュレーションが実行中もタスクの完了に向けて誘導され続けます。これは、「現実の世界で試す前に、夢の世界でタスクを練習する」ことへの入り口です。これこそがロボティクスにおけるワールドモデルの狙いです。変化に富み、安全な範囲で危険な状況も再現でき、何度でもやり直せる訓練環境を、再試行あたりの限界コストを実質ゼロにして実現します。
まだ解決できていないこと
DeepMind自身が残された課題を挙げています。これらは、この分野が今後取り組むべき課題の一覧として読む価値があります。
- 一貫性が保たれるのは短いセッションに限られます。視覚的な細部や物体の永続性は、依然として変化したりずれたりします。特に、シミュレーションが長時間続く場合、複雑な編集を何度も加えた後、あるいはシーン内を移動する際に顕著です。
- 複雑な物理的相互作用、リアルタイム音声の正確さ、判読可能なテキストの描画、空間的な正確さ、長期的な一貫性は、いずれも現在進行中の研究課題です。
長い目で見れば、こう言えます。生成された世界の一貫性を永続的に保つ方法は、まだ誰も確立できていません。World LabsのMarbleは、3D世界を再構築して永続化し、Gaussian splatやメッシュとしてエクスポートできるもので、別の方向から同じ目標に迫る競合アーキテクチャです。またDeepMindが次の段階として掲げるのは、ハイブリッド・ワールドモデルです。ひとつの巨大なネットワークに両方を一度に担わせるのではなく、言語モデルのスタックに世界の構造的・論理的なレイヤーを担当させ、Genieには世界の見た目、音、反応を描画させます。Googleのリサーチディレクター、Tejas Kulkarni氏は、TechCrunchによると、発表会見で次のように述べています。「今後ますます目にするようになるのは、Geminiがコードやテキストを書き、Genieがそれをリアルタイムで取り込んで、異なる抽象度で現実をシミュレーションする、こうしたハイブリッド・ワールドモデルです。」
一般消費者向けに提供される前に、知っておくべき安全性に関する事実が2つあります。Genie 4の動画と音声の出力にはすべてSynthIDの電子透かしが付与されており、DeepMindはプレビュー公開前に安全性評価を実施し、まず信頼できるテスターに限定して公開したと述べています。
ほかに誰が開発しているのか、そしてなぜ同じ方向に収束しているのか
Genie 4が登場した時点で、この分野はすでに動き始めていました。上で紹介した2つの流派を軸に、大まかな勢力図を見てみましょう。
- DecartのOasis（2024年10月、チップスタートアップのEtchedと共同開発）は、小型モデルでも通用することを示した、この分野の先駆けです。5億パラメーターのモデルがオープンソース化されてローカル実行に対応し、ホスト型デモではより大きなチェックポイントが稼働。NVIDIA H100上で、ゲームエンジンをまったく介さずに、Minecraft風の世界を360p、20 fpsで即興生成しました。（The Wall Street Journalによると、AmazonはDecartをおよそ$7 billionで買収する協議を進めていると報じられています。）
- World LabsのMarbleは「空間知能」を掲げています。これはFei-Fei Li氏の会社がワールドモデルに賭ける取り組みを表す言葉です。テキスト、画像、動画から、時間制限なく閲覧でき、Gaussian splat、メッシュ、動画としてエクスポートできる、永続的で移動可能な3D世界を生成します。AMDは2026年9月28日、$8.2 billionでWorld Labsを買収すると発表しました。
- NVIDIA Cosmosは産業分野向けです。ロボットや自動運転車の合成訓練データを生成し、未来の状況をシミュレーションするための、オープンな世界基盤モデルのチェックポイントを提供します。同じ「現実を試す前に夢見る」という考え方を、カメラだけでなくアクチュエーターも備えた機械に応用するものです。NVIDIAの「フィジカルAI」スタック（Cosmosと、ロボット基盤モデルIsaac GR00T）は、DeepMindのロボティクス実験とまさに同じ方向性を掲げています。
- RunwayのGWM Worlds 2はGenie 4の数カ月前にリリースされました。動画生成で知られる同社が、音声付きのプレイ可能な生成世界を実現。ピクセル流派の実例として、動画モデルとワールドモデルの境界が逆方向からも曖昧になりつつあることを示しています。
そしてこの勢力図の周辺では、資金も動いています。AmazonによるDecartの買収、AMDによるWorld Labsの買収、さらに2026年10月22日に発表された、ワールドモデルのスタートアップThird DimensionのRivianによる買収。いずれも、自動運転のテスト用シミュレーションを社内に取り込む狙いです。ゲームスタジオ、ロボット開発企業、自動車メーカーが求めているものは同じです。訓練環境としての世界です。Googleがこれを追い続ける理由、そして報じられている「2分」という時間がマーケティング文句ではなく研究目標である理由もそこにあります。シミュレーターが学習の場として役立つには、学習できるだけの時間、一貫性を保たなければなりません。
DeepMindは、この一連の研究を「AGIを構築するうえで重要な要素」と位置づけています。その主張の根底にあるのは、現実世界で行動する知能は、ラベルではなく原因から学ぶ必要があり、制御可能で無限に変化し、安全な範囲で危険な世界こそが、拡張可能な唯一の学習環境だという考えです。これが、この賭けの強いバージョンです。そして、あくまで賭けにすぎません。ピクセルレベルのシミュレーションが身体性を持つ知能の基盤となるのか、それともLeCun陣営の抽象的な潜在表現が一部を担う複数の基盤のひとつにとどまるのか、現時点では誰にも証明できません。
Genie 4について具体的に言えることは、DeepMindの説明によれば、ネイティブ音声生成を備えた初のリアルタイム・ワールドモデルだという点です。より大きな主張は私たちの見解であり、確立された事実のように響かせず、論拠として相応の重みを持たせるべきでしょう。私たちには、これほどの忠実度を持ち、話しかければ返事をする初のインタラクティブな世界に見えます。また、推論モデルが描画のループを共有することを示す、これまでで最も明確な公開事例でもあります。「ワールドモデル」という言葉の両方の意味、すなわちピクセルと、その中を動く知性を実現することに、この分野が最も近づいた事例です。
よくある質問
ワールドモデルとは、一言で言うと何ですか？
世界がどのように振る舞うかを生成するモデルです。世界の現在の状態と行動をもとに、次に世界がどのように見え、どのような音がするかを予測するため、エージェントはその中で行動し、練習できます。
Genie 4はVeoやSoraのような動画モデルとどう違いますか？
動画モデルは完成したクリップを生成します。Genie 4が生成するのは、入力にフレームごとに応答し、自ら生成した内容を記憶し、リアルタイムの音声も作り出す環境です。動画はコンテンツであり、ワールドモデルは場所です。
Genie 4は今すぐ使えますか？
まだ使えません。信頼できるテスター向けの研究プレビューです。次に一般消費者向けとして、Google AI Ultra加入者向けのProject Genieが提供されます（現在はGenie 3が稼働中）。その後、Gemini APIとGoogle AI Studioの早期アクセスパートナーとして、開発者にも提供される予定です。日程や価格は発表されていません。
Genie 4のセッションはどれくらい続けられますか？
セッションはまだ短時間です。公式には、一貫性が保たれるのは「短いセッション」とされています。TechCrunchによる発表会見の報道では、一貫したシーンを維持できる上限はおよそ2分で、Genie 3の2倍とのことです。
Genie 4は音声を生成しますか？
はい。完成した動画に音声トラックを重ねる方式ではありません。環境音、音楽、話し言葉の会話が各フレームの世界の一部として生成され、登場人物はリアルタイムであなたや互いに反応します。
では、Genie 4は物理法則を理解しているのですか？
DeepMindは発表デモで、空気力学や衝突などの物理現象を示していますが、Genie 4の物理性能を検証できるベンチマークは公表されていません。Physics-IQをはじめとする動画型モデルの独立評価では、視覚的なリアリティは物理法則の理解を意味しないことが繰り返し示されています。リアリティは証明ではなく、代替指標として捉えてください。
ワールドモデルはゲームエンジンに取って代わりますか？
すぐには起こらず、おそらく完全に取って代わることもありません。生成世界は、探索やプロトタイピングにおける速度と多様性ですでに優位に立っています。しかし、エンジンが保証する決定論的で、設計者が制御でき、長時間続く世界を、まだ実現できません。近い将来に有力なのは、両者の連携でしょう。アイデア出し、シミュレーション、エージェント訓練には生成世界を、本番制作や決定論的なプレイにはエンジンを使う形です。
出典
- Genie 4: 新世代のワールドシミュレーション（Google DeepMind、2026年10月27日）
- Genie 3: ワールドモデルの新たなフロンティア（Google DeepMind、2025年8月5日）
- Genie 2: 大規模な世界基盤モデル（Google DeepMind、2024年12月4日）
- GoogleのワールドモデルGenie 4、音声とよりリアルな世界を追加し、リアルタイム操作にも対応（TechCrunch、2026年10月27日）
- より大きく、より優れた世界の生成 / Marble：マルチモーダル・ワールドモデル（World Labs）
- NVIDIAと世界のロボティクスリーダーがフィジカルAIを現実世界へ（NVIDIA、2026年3月16日）
