Genie 4 — wyjaśnienie: czym są modele świata i dlaczego Google wciąż do nich dąży

27 października 2026 r. Google DeepMind ogłosiło Genie 4, swój najnowszy model świata. W przeciwieństwie do modelu AI do generowania wideo — który dostarcza gotowy klip — Genie 4 tworzy świat, do którego możesz wkroczyć: reaguje na naciśnięcia klawiszy przy każdej klatce, pozwala zmieniać scenę w trakcie symulacji za pomocą zwykłych poleceń po angielsku, a świat ma teraz także własny dźwięk odtwarzany na żywo — wiatr, kroki, muzykę i dialogi — zamiast ścieżki dźwiękowej nałożonej na wideo już po jego wygenerowaniu.

Nowe możliwości są głównym tematem, ale stanowią też najlepszy pretekst, by odpowiedzieć na pytanie, o które branża AI spiera się od dwóch lat: czym właściwie jest „model świata” i dlaczego każde duże laboratorium chce taki mieć?

W chwili premiery Genie 4 jest udostępniany zaufanym testerom jako wersja badawcza. Jak informuje DeepMind, wkrótce trafi do subskrybentów Google AI Ultra za pośrednictwem Project Genie — konsumenckiego produktu firmy do eksplorowania światów, który obecnie działa w oparciu o Genie 3, Nano Banana Pro i Gemini — a także do partnerów z wczesnym dostępem do Gemini API i Google AI Studio. Lista oczekujących na Project Genie jest już otwarta; nie podano jeszcze dat ani cen. Na razie więc nikt nie może zarezerwować czasu w Genie 4. Możesz za to poznać dziedzinę, do której należy — to właśnie ona jest interesująca i szybko się rozwija.

Czym właściwie jest model świata?

Gdy odrzucić marketingowe slogany, model świata to sieć neuronowa, która nauczyła się, jak zachowuje się jakiś świat, na tyle dobrze, by móc go dalej symulować: na podstawie aktualnego stanu świata i podjętego działania przewiduje, jak świat będzie wyglądał — a teraz także brzmiał — za chwilę. Wystarczy dostarczyć takiemu systemowi odpowiednio dużo wideo, a powstanie coś w rodzaju silnika gry, którego nikt nie napisał: bez kodu fizyki, ręcznie tworzonych zasobów ani projektu poziomów. Z wag modelu wyłaniają się reguły, sceneria i chmury nad wzgórzami.

Ta koncepcja ma swój założycielski tekst. W 2018 roku David Ha i Jürgen Schmidhuber w artykule World Models pokazali, że małego agenta można trenować w generatywnym modelu jego własnego środowiska — jak ujęli to autorzy, „w całości we własnym, halucynowanym śnie wygenerowanym przez jego model świata” — a następnie przenieść go z powrotem do prawdziwej gry. To wciąż najprostsza, jednowierszowa definicja: model świata to miejsce do ćwiczeń.

Firmy wyciągnęły z tej samej idei dwa różne wnioski:

• Przewidywanie w pikselach. W lutym 2024 roku OpenAI argumentowało w artykule „Video generation models as world simulators”, że rozwijanie generowania wideo to „obiecująca droga do tworzenia uniwersalnych symulatorów świata fizycznego”. Dowodem na słuszność tego kierunku było renderowanie przez Sorę rozgrywki w Minecraft przy jednoczesnym sterowaniu graczem za pomocą prostej polityki. Zgodnie z tym argumentem wystarczy odpowiednio dobre wideo, by wraz z nim pojawiło się rozumienie świata.
• Przewidywanie w abstrakcjach. W artykule programowym z 2022 roku A Path Towards Autonomous Machine Intelligence Yann LeCun przedstawia przeciwne stanowisko: model świata powinien przewidywać przyszłe stany w abstrakcyjnej przestrzeni reprezentacji, a nie w pikselach — po części dlatego, że przewidywanie na poziomie pikseli pochłania większość mocy modelu na szczegóły, których nikt nie może zweryfikować, a po części dlatego, że agent planuje, porównując wyobrażone wyniki, a nie wyobrażone klatki. Architektura JEPA to zapis tego argumentu w postaci kodu.

Oba obozy zgadzają się co do celu — chodzi o wystarczająco zaawansowany symulator, w którym można trenować agentów bez ponoszenia rzeczywistych kosztów każdego błędu. Różnią się zdaniem o tym, która reprezentacja pozwoli osiągnąć ten cel jako pierwsza. Prace DeepMind nad Genie wpisują się w podejście oparte na pikselach, ale z pewnym zwrotem, do którego jeszcze wrócimy: najpierw piksele, ale takie, z którymi można wchodzić w interakcję — a teraz także z modelem językowym u steru.

Dlaczego interaktywny świat jest trudniejszy niż ładne wideo

Najczęstsze nieporozumienie polega na tym, że model świata to zupełnie inny poziom trudności niż generator wideo, a nie po prostu jego większa wersja. Różnice mają charakter strukturalny:

Uwaga do tabeli: opisuje ona idealną różnicę między dwoma typami modeli. Poszczególne produkty mogą łączyć ich cechy — GWM Worlds 2 od Runway i Oasis od Decart to modele w stylu wideo zaprojektowane z myślą o interaktywności.

Interaktywny model świata musi jednak mierzyć się z problemami, których generator klipów może uniknąć:

1. Szybkość. Modele generujące wideo o jakości filmowej mogą poświęcić na jedno ujęcie kilka minut. Model świata ma ułamek sekundy na klatkę, ponieważ interaktywne doświadczenia działają z szybkością od 24 do 60 klatek na sekundę, a każda wolniejsza reakcja niszczy iluzję. Interaktywność to problem architektoniczny, a nie tylko kwestia jakości wyników.
2. Pamięć. Model musi zachować wszystko, co ci pokazał. Odejdź od charakterystycznego punktu, a potem wróć po minucie: jeśli wygląda inaczej, świat natychmiast przestaje istnieć. Dlatego spójność — to, jak długo świat potrafi utrzymać koherentne, zapamiętane doświadczenie — jest miarą, którą faktycznie śledzą osoby z tej branży.
3. Fizyka przyczynowa. Łatwo podrobić realistyczne nagranie; znacznie trudniej — związki przyczynowo-skutkowe. W benchmarku z 2025 roku o nazwie Physics-IQ wstrzymywano prawdziwe nagrania codziennych zdarzeń i proszono modele wideo — Sora, Runway, Pika, Lumiere, Stable Video Diffusion i VideoPoet — o ich kontynuację, a następnie oceniano wygenerowane dalsze fragmenty, porównując je z tym, co rzeczywiście wydarzyło się później, w zakresie mechaniki płynów, optyki, mechaniki ciał stałych, magnetyzmu i termodynamiki. Wniosek był następujący: rozumienie fizyki przez te modele było „bardzo ograniczone i niezwiązane z realizmem wizualnym”. Model świata musi trafić w sedno tego problemu — w przeciwnym razie nie można ufać, że cokolwiek wytrenowanego w jego obrębie da się przenieść poza niego.

Te trzy wyzwania wyraźnie widać w historii kolejnych wydań Genie. Każda generacja ma zapewnić następny wzrost szybkości, pamięci i zdolności modelowania przyczynowości.

Linia Genie: od zabawki do dwóch minut (według doniesień)

Uwaga: rozdzielczość i liczba klatek na sekundę w Genie 4 nie zostały ujawnione. Wartości jednej minuty dla Genie 2 i dane dotyczące Genie 3 pochodzą z komunikatów DeepMind; podana wyżej wartość dwóch minut to odczyt TechCrunch z briefingu DeepMind z okazji premiery (opisany tutaj).

Dwa szczegóły dotyczące linii Genie mają znaczenie dla zrozumienia tej koncepcji, a nie tylko jako ciekawostki:

Pierwsze Genie samo wymyśliło sposób sterowania. W artykule z 2024 roku Genie paper opisano bazowy model świata o 11 miliardach parametrów, trenowany na surowych nagraniach z internetu, bez etykiet działań. Autorzy odkryli, że gdy na nagraniu ktoś naciska „w lewo” lub „skacze”, sieć potrafi wyodrębnić utajoną przestrzeń działań na podstawie zmian między klatkami. Interaktywność pojawiła się bez ręcznego oznaczania działań, dlatego „kontroler” w modelu świata nie oznacza zestawu przycisków wybranych przez projektanta. Oznacza działania, które model potrafi wywnioskować — a kolejne generacje DeepMind rozszerzały ich zakres: od ruchów w platformówkach po zdarzenia w świecie sterowane tekstem.

To postęp w zakresie spójności najlepiej pokazuje, jak rozwija się ta technologia. Według komunikatu DeepMind z grudnia 2024 roku Genie 2 potrafiło utrzymać spójny świat przez około minutę. Genie 3 wydłużyło czas użytecznej interakcji do kilku minut, pamiętając mniej więcej minutę wstecz. Zgodnie z przytoczonym wyżej artykułem TechCrunch Genie 4 podwaja ten czas do około dwóch minut. Kolejne etapy pokazują skalę problemu: najtrudniejszym aspektem interaktywnych światów nie jest renderowanie, lecz utrzymanie zgodności setek kolejnych zapamiętanych stanów przy interaktywnej szybkości.

Co nowego w Genie 4

Komunikat DeepMind koncentruje się na czterech możliwościach. Warto rozpatrywać je łącznie, a nie jako „Genie 3 plus dodatki”:

1. Sterujesz językiem, na żywo. Zmiany wprowadzane za pomocą języka naturalnego — zmiana pogody, przesunięcie kamery, dodanie nowej osoby lub obiektu — są uwzględniane w symulacji w czasie rzeczywistym, a Gemini dopasowuje twoje polecenie do otaczającej sceny. Między twoimi poleceniami Gemini na bieżąco obserwuje świat i nim steruje, aby jego rozwój przebiegał spójnie. Kluczowym wyzwaniem nie jest tu renderowanie sceny, lecz reagowanie na zmiany zachodzące w jej obrębie.

2. Fizyka i ludzie. Genie 4 symuluje zjawiska fizyczne ze świata rzeczywistego — DeepMind wymienia aerodynamikę i zderzenia — a według firmy jego „najbardziej spektakularnym przełomem” są ludzie: postacie poruszające się naturalnie, reagujące spontanicznie na otoczenie i poddające się interaktywnemu sterowaniu w czasie rzeczywistym.

3. Natywny dźwięk. Jak opisuje to samo DeepMind, Genie 4 to „nasz pierwszy model świata działający w czasie rzeczywistym, który generuje dźwięk natywnie”. Każde otoczenie ma własne dźwięki tła — od szumu wiatru wśród drzew po szum fal na plaży — a nowością na miarę przełomu jest mowa: postacie rozmawiają i reagują na twoje polecenia oraz wydarzenia w świecie w czasie rzeczywistym, zamiast otrzymywać dograny później dubbing.

4. Warstwa rozumowania w pętli. To właśnie czwarty element odróżnia Genie 4 od podejścia stosowanego w Genie 1–3. DeepMind twierdzi, że u podstaw systemu Gemini Omni — multimodalny model z rodziny Gemini, który przekształca obrazy, dźwięk i tekst w wideo — nadaje symulacji wygląd i zachowanie zaczerpnięte z rzeczywistego świata, a inne modele Gemini zapewniają zdolność rozumowania. Konkretnie Gemini 3.8 Flash działa nieprzerwanie jako „agent prowadzący w pętli”: gdy Genie 4 renderuje scenę, model ją obserwuje, rozkłada cel na etapy, analizuje napływające klatki, weryfikuje każdy krok i ponownie planuje działanie, gdy świat się zmienia lub użytkownik ingeruje. Według zapowiedzi ma to zapewnić wiarygodny związek przyczynowo-skutkowy, zachowania proceduralne i rozumowanie wieloetapowe w generowanym świecie.

Warstwa rozumowania ma też konkretnego partnera wymienionego w zapowiedzi: eksperyment z Gemini 4 Argon i Gemini Robotics, w którym Argon rozkłada zadanie wskazane przez użytkownika na etapy, dodawane do symulacji w postaci napisów w miarę jej renderowania — dzięki czemu przebieg symulowanego zadania jest stale ukierunkowywany na jego ukończenie w trakcie działania. To otwiera drogę do „ćwiczenia zadania w wyobrażonym świecie, zanim wykorzysta się prawdziwy” — na tym właśnie polega obietnica modeli świata w robotyce: nieskończenie zróżnicowane środowiska treningowe, bezpiecznie niebezpieczne, które można uruchamiać ponownie, przy praktycznie zerowym koszcie każdej kolejnej próby.

Co wciąż nie działa

DeepMind samo wskazuje, jakie problemy pozostają do rozwiązania, i warto potraktować tę listę jako plan dalszych prac całej dziedziny:

• Spójność utrzymuje się tylko podczas krótkich sesji. Szczegóły wizualne i trwałość obiektów nadal się zmieniają i rozmywają — zwłaszcza gdy symulacja trwa dłużej, po wielu złożonych edycjach lub podczas poruszania się po scenie.
• Złożone interakcje fizyczne, dokładność dźwięku w czasie rzeczywistym, renderowanie czytelnego tekstu, precyzja przestrzenna i długoterminowa spójność to wciąż aktywne obszary badań.

Mówiąc szerzej: nikt jeszcze nie potrafi generować światów, które zachowują spójność bez końca. Marble firmy World Labs — trójwymiarowe światy, które można rekonstruować i utrwalać, a następnie eksportować jako splaty Gaussa lub siatki — to konkurencyjna architektura, która zmierza do tego samego celu z drugiej strony. Kolejny krok zapowiadany przez DeepMind to hybrydowe modele świata: stos modeli językowych ma odpowiadać za uporządkowaną, logiczną warstwę świata, a Genie renderować jego wygląd, dźwięk i reakcje, zamiast powierzać oba zadania jednej wielkiej sieci. Jak ujął to Tejas Kulkarni, dyrektor ds. badań w Google, podczas briefingu premierowego, cytowanego przez TechCrunch: „Coraz częściej będziemy w przyszłości widzieć hybrydowe modele świata, łączące Gemini, które pisze kod i tekst, z Genie, które przetwarza te dane w czasie rzeczywistym i symuluje rzeczywistość na różnych poziomach abstrakcji”.

Zanim technologia trafi do szerokiego grona odbiorców, warto pamiętać o dwóch kwestiach związanych z bezpieczeństwem: wszystkie materiały wideo i audio wygenerowane przez Genie 4 mają znak wodny SynthID, a DeepMind twierdzi, że przed udostępnieniem wersji testowej przeprowadziło oceny bezpieczeństwa, celowo rozpoczynając od zaufanych testerów.

Kto jeszcze nad tym pracuje — i dlaczego wszyscy zmierzają w tym samym kierunku

Genie 4 pojawiło się na rozwijającej się już scenie. Oto ogólny obraz, z podziałem na dwa opisane wyżej podejścia:

• Oasis firmy Decart (październik 2024 r., stworzony we współpracy ze startupem chipowym Etched) pokazał, że nawet niewielki model może wiele zdziałać: model z 500 milionami parametrów, udostępniony jako open source do uruchamiania lokalnie, z hostowaną wersją demonstracyjną korzystającą z większego checkpointu, improwizujący świat przypominający Minecrafta w rozdzielczości 360p i 20 fps na NVIDIA H100 — bez silnika gry w pętli. (Jak donosi The Wall Street Journal, Amazon prowadzi rozmowy w sprawie przejęcia Decart za około $7 billion.)
• Marble firmy World Labs to przykład inteligencji przestrzennej — tak firma Fei-Fei Li określa swoje podejście do modeli świata. Trwałe, przestrzenne światy 3D generowane na podstawie tekstu, obrazów lub wideo, które można oglądać bez ograniczeń czasowych i eksportować jako splaty Gaussa, siatki lub wideo. 28 września 2026 r. AMD ogłosiło, że przejmuje World Labs za $8.2 billion.
• NVIDIA Cosmos to gałąź przemysłowa: otwarte checkpointy modeli bazowych świata do generowania syntetycznych danych treningowych i symulowania przyszłych scenariuszy dla robotów oraz pojazdów autonomicznych — ta sama logika „śnienia przed rzeczywistością”, zastosowana do maszyn wyposażonych zarówno w siłowniki, jak i kamery. Stos „fizycznej AI” firmy NVIDIA (Cosmos oraz modele bazowe robotów Isaac GR00T) jest promowany dokładnie w duchu eksperymentu DeepMind z robotyką.
• GWM Worlds 2 firmy Runway zadebiutowało kilka miesięcy przed Genie 4: oferuje grywalne generowane światy z dźwiękiem i pochodzi od firmy specjalizującej się w generowaniu wideo — to dowód ze strony podejścia opartego na pikselach, że granica między modelem wideo a modelem świata zaciera się również z drugiej strony.

A wokół tego wszystkiego krążą pieniądze: Amazon–Decart, AMD–World Labs oraz wykup startupu tworzącego modele świata Third Dimension przez Rivian — ogłoszony 22 października 2026 r. — by przenieść symulacje testów pojazdów autonomicznych do własnych struktur. Studia gier, twórcy robotów i producenci samochodów szukają tego samego — światów służących jako środowiska treningowe. Dlatego Google wciąż nad tym pracuje i dlatego podawany czas dwóch minut jest celem badawczym, a nie hasłem marketingowym: symulator może służyć za salę lekcyjną tylko wtedy, gdy pozostaje spójny wystarczająco długo, by można się było w nim uczyć.

DeepMind określa cały ten kierunek badań jako „kluczowy aspekt budowania AGI”. Uzasadnienie jest takie: inteligencja, która ma działać w świecie, musi uczyć się na podstawie przyczyn, a nie etykiet, a skalowalną klasą jest wyłącznie świat, który można kontrolować i nieskończenie różnicować, a zarazem jest bezpiecznie niebezpieczny. To odważna wersja tej tezy — i zarazem zakład. Nie da się jeszcze udowodnić, czy symulacja na poziomie pikseli stanie się podstawą inteligencji ucieleśnionej, czy też będzie jedną z kilku podstaw, przy czym abstrakcyjne zmienne ukryte, preferowane przez obóz LeCuna, przejmą część zadań.

Co można powiedzieć konkretnie o Genie 4: oficjalnie uzasadnione pierwszeństwo dotyczy natywnego dźwięku — według opisu DeepMind jest to pierwszy model świata, który generuje dźwięk natywnie w czasie rzeczywistym. Większe twierdzenia są nasze i należy traktować je jako argumenty, a nie ustalone fakty: naszym zdaniem to pierwszy interaktywny świat o takiej wierności, z którym można rozmawiać i który odpowiada, a także jak dotąd najwyraźniejszy publiczny przykład modelu rozumującego współdzielącego pętlę renderera — najbliższy momentowi, w którym pojęcie „model świata” zacznie oznaczać oba człony tej nazwy: piksele oraz umysł poruszający się wśród nich.

FAQ

Czym jest model świata w jednym zdaniu?
Modelem generatywnym opisującym zachowanie świata — na podstawie jego obecnego stanu i działania przewiduje, jak świat będzie wyglądać i brzmieć w następnej chwili, dzięki czemu agenci mogą w nim działać i ćwiczyć.

Czym Genie 4 różni się od modelu wideo, takiego jak Veo lub Sora?
Model wideo tworzy gotowy klip; Genie 4 zapewnia środowisko, które reaguje na Twoje polecenia klatka po klatce, pamięta to, co wygenerowało, i tworzy własny dźwięk na żywo. Wideo to treść; model świata to miejsce.

Czy mogę już korzystać z Genie 4?
Jeszcze nie. To wersja badawcza udostępniona zaufanym testerom. Następni będą użytkownicy indywidualni, za pośrednictwem Project Genie dla subskrybentów Google AI Ultra (obecnie korzystającego z Genie 3), a potem dołączą deweloperzy jako partnerzy programu wczesnego dostępu do Gemini API i Google AI Studio. Nie podano dat ani cen.

Jak długo może trwać sesja Genie 4?
Sesje są wciąż krótkie. Oficjalnie spójność utrzymuje się podczas „krótkich sesji”; według relacji TechCrunch z briefingu premierowego granicą jest około dwóch minut spójnej sceny, czyli dwa razy dłużej niż w Genie 3.

Czy Genie 4 generuje dźwięk?
Tak — nie jest to ścieżka dźwiękowa dodana do gotowego wideo. Dźwięki otoczenia, muzyka i dialogi są generowane w ramach świata przy każdej klatce, a postacie reagują na Ciebie i na siebie nawzajem w czasie rzeczywistym.

Czy Genie 4 rozumie więc fizykę?
W demonstracjach premierowych DeepMind pokazuje scenariusze fizyczne, takie jak aerodynamika i zderzenia, ale nie opublikowano żadnego publicznie weryfikowalnego benchmarku fizyki dla Genie 4. Niezależne oceny modeli wideo, między innymi Physics-IQ, wciąż wykazują, że realizm wizualny nie oznacza rozumienia fizyki — realizm należy traktować jako wskaźnik, a nie dowód.

Czy modele świata zastąpią silniki gier?
Nieprędko, a prawdopodobnie nigdy całkowicie. Generowane światy już teraz wygrywają szybkością i różnorodnością, jeśli chodzi o eksplorację i prototypowanie, ale nie zapewniają jeszcze deterministycznych, sterowanych projektem światów, które działają przez długie sesje — a to właśnie gwarantują silniki. Bardziej prawdopodobny scenariusz na najbliższą przyszłość zakłada współpracę: generowane światy do tworzenia pomysłów, symulacji i trenowania agentów; silniki — do produkcji i deterministycznej rozgrywki.

Źródła

• Genie 4: A new generation of world simulation (Google DeepMind, 27 października 2026 r.)
• Genie 3: A new frontier for world models (Google DeepMind, 5 sierpnia 2025 r.)
• Genie 2: A large-scale foundation world model (Google DeepMind, 4 grudnia 2024 r.)
• Model świata Genie 4 od Google dodaje dźwięk, bardziej realistyczne światy i sterowanie w czasie rzeczywistym (TechCrunch, 27 października 2026 r.)
• Generowanie większych i lepszych światów / Marble: multimodalny model świata (World Labs)
• NVIDIA i czołowi przedstawiciele światowej robotyki wprowadzają fizyczną AI do rzeczywistego świata (NVIDIA, 16 marca 2026 r.)