Genie 4 explicado: o que são modelos de mundo e por que o Google não para de investir neles

Em 27 de outubro de 2026, o Google DeepMind anunciou o Genie 4, seu mais novo modelo de mundo. Diferentemente de um modelo de vídeo com IA — que entrega um clipe pronto —, o Genie 4 gera um mundo no qual você entra: ele responde ao teclado a cada quadro, permite reescrever a cena durante a simulação usando linguagem simples, e o mundo agora tem seu próprio áudio ao vivo — vento, passos, música e diálogos falados — em vez de uma trilha sonora adicionada ao vídeo depois.

Os novos recursos são o destaque, mas também dão o pretexto mais claro do momento para responder à pergunta que a indústria de IA debate há dois anos: o que exatamente é um “modelo de mundo” e por que todos os grandes laboratórios querem um?

No lançamento, o Genie 4 é uma prévia de pesquisa para testadores confiáveis. Segundo o DeepMind, “chegará em breve” aos assinantes do Google AI Ultra por meio do Project Genie — o produto de exploração de mundos voltado ao consumidor da empresa, que atualmente funciona com Genie 3, Nano Banana Pro e Gemini — e aos parceiros de acesso antecipado da Gemini API e do Google AI Studio. A lista de espera do Project Genie já está aberta; nenhuma data nem preço foi divulgado. Portanto, ninguém pode reservar um horário dentro do Genie 4 ainda. O que você pode fazer é entender o campo ao qual ele pertence — essa é a parte interessante, e está evoluindo rapidamente.

Afinal, o que é um modelo de mundo?

Sem o marketing, um modelo de mundo é uma rede neural que aprendeu como um mundo se comporta o suficiente para continuar simulando-o: dado o estado atual do mundo e uma ação, prevê como será — e, agora, como soará — em seguida. Alimente um sistema assim com vídeos em quantidade suficiente, e o resultado será algo parecido com um mecanismo de jogo que você nunca programou: sem código de física, sem recursos criados manualmente, sem design de fases. As regras, o cenário, as nuvens sobre as colinas — tudo vem dos pesos do modelo.

A ideia tem um documento fundador. Em 2018, o artigo World Models, de David Ha e Jürgen Schmidhuber, mostrou que um agente pequeno podia ser treinado dentro de um modelo generativo do próprio ambiente — nas palavras dos autores, “inteiramente dentro do próprio sonho alucinado gerado pelo seu modelo de mundo” — e depois transferido de volta para o jogo real. Essa continua sendo a definição mais clara em uma frase: um modelo de mundo é um lugar para praticar.

Desde então, as empresas tiraram duas conclusões diferentes da mesma ideia:

Prever em pixels. Em fevereiro de 2024, a OpenAI argumentou, em “Video generation models as world simulators”, que ampliar a escala da geração de vídeo é “um caminho promissor para construir simuladores de uso geral do mundo físico”. Como evidência, mostrou o Sora renderizando uma partida de Minecraft e, ao mesmo tempo, controlando o jogador com uma política básica. O argumento é que, se o vídeo ficar bom o suficiente, a compreensão do mundo virá junto.
Prever em abstrações. O artigo de posicionamento de Yann LeCun, de 2022, A Path Towards Autonomous Machine Intelligence, defende o contrário: um modelo de mundo deve prever estados futuros em um espaço de representações abstratas, não em pixels — em parte porque prever cada pixel consome a maior parte da capacidade do modelo com detalhes que ninguém consegue verificar e, em parte, porque um agente planeja comparando resultados imaginados, não quadros imaginados. A arquitetura JEPA é esse argumento transformado em código.

Os dois lados concordam quanto ao objetivo: um simulador profundo o suficiente para treinar agentes, sem pagar o custo de cada erro no mundo real. Eles discordam sobre qual representação chegará lá primeiro. O trabalho do DeepMind com Genie se situa no lado dos pixels, com uma diferença que veremos adiante: primeiro os pixels, mas pixels pelos quais você pode agir — e agora com um modelo de linguagem por trás deles.

Por que um mundo jogável é mais difícil do que um vídeo bonito

A distinção que confunde as pessoas é que um modelo de mundo representa um nível de dificuldade diferente do de um gerador de vídeo, não apenas um gerador de vídeo maior. As diferenças são estruturais:

Comparação	Gerador de vídeo	Modelo de mundo
O que você recebe	um clipe pronto	um ambiente contínuo
Quem age nele	ninguém — ele é reproduzido sem você	você, a cada quadro
Cada quadro é gerado a partir de	um comando, processado uma vez para remover o ruído	sua última ação mais o estado atual do mundo
Estado	nada para manter	o mundo se lembra do que gerou
Som	adicionado a um clipe pronto na edição	surge ao vivo com o mundo
Quando termina	o clipe acaba	quando você para — ou quando começa a perder coerência

Uma observação sobre a tabela: ela descreve a diferença ideal entre os dois tipos de modelo. Produtos específicos podem se situar entre os dois — o GWM Worlds 2 da Runway e o Oasis da Decart são modelos no estilo de vídeo criados para serem jogáveis.

Mas um modelo de mundo jogável obriga seus criadores a resolver problemas que um gerador de clipes pode evitar:

Velocidade. Modelos de vídeo com qualidade cinematográfica podem levar minutos para gerar uma cena. Um modelo de mundo tem uma fração de segundo por quadro, pois experiências interativas rodam a 24 a 60 quadros por segundo, e qualquer resposta mais lenta quebra a ilusão. A interatividade é um problema de arquitetura, não apenas de qualidade da saída.
Memória. O modelo precisa guardar tudo o que já mostrou a você. Afaste-se de um ponto de referência e volte um minuto depois: se ele aparecer diferente, o mundo deixa de ser convincente na hora. Por isso, a consistência — o quanto de experiência coerente e lembrada um mundo consegue sustentar — é o número que as pessoas da área de fato acompanham.
Física causal. É fácil falsificar imagens realistas; causa e efeito, não. Um benchmark de 2025 chamado Physics-IQ pausou gravações reais de eventos cotidianos e pediu que modelos de vídeo — Sora, Runway, Pika, Lumiere, Stable Video Diffusion, VideoPoet — dessem continuidade a elas; depois, comparou as continuações ao que realmente aconteceu em seguida, considerando fluidos, óptica, mecânica dos sólidos, magnetismo e termodinâmica. A conclusão foi que a compreensão física desses modelos era “extremamente limitada e não relacionada ao realismo visual”. Um modelo de mundo precisa acertar essa combinação, ou não será possível confiar que nada do que for treinado nele se transfira para fora.

Esses três pontos críticos se refletem claramente na história dos lançamentos do Genie. Cada geração existe para conquistar o próximo avanço em velocidade, memória e causalidade.

A linha Genie: de um brinquedo a dois minutos (segundo relatos)

Geração	Lançamento	O que você fornece	O que demonstrou
Genie	Fevereiro de 2024	uma única imagem	mundo 2D jogável, com ações inferidas a partir de vídeos
Genie 2	Dezembro de 2024	uma única imagem	mundo 3D jogável com permanência de objetos, por até cerca de um minuto
Genie 3	Agosto de 2025	um comando de texto	primeira geração em tempo real: 720p a 24 fps, por vários minutos
Genie 4	27 de outubro de 2026	texto e eventos, ao vivo	áudio nativo; um “diretor” Gemini no processo; ~2 minutos (segundo relatos)

Observação: a resolução e a taxa de quadros do Genie 4 não foram divulgadas. O número de um minuto para o Genie 2 e os dados do Genie 3 vêm dos anúncios do DeepMind; o número de dois minutos acima é uma estimativa da TechCrunch baseada no briefing de lançamento do DeepMind (segundo este relato).

Dois detalhes da linha Genie são importantes para entender o conceito, não apenas por curiosidade:

O primeiro Genie inventou seus próprios controles. O artigo sobre o Genie de 2024 descreveu um modelo de mundo fundacional com 11 bilhões de parâmetros, treinado com vídeos brutos da internet e sem rótulos de ações — e mostrou que, quando alguém aperta “esquerda” ou “pula” nos vídeos de treinamento, a rede consegue extrair um espaço latente de ações a partir das mudanças entre os quadros. A possibilidade de jogar surgiu sem que ninguém rotulasse uma ação, por isso “controle” em um modelo de mundo não significa botões escolhidos por um designer. Significa quaisquer ações que o modelo consiga inferir — e que as gerações do DeepMind vêm ampliando desde então, de movimentos de jogos de plataforma a eventos no mundo controlados por texto.

A consistência é o avanço que conta a história. Segundo o anúncio do DeepMind de dezembro de 2024, o Genie 2 conseguia manter um mundo coerente por cerca de um minuto. O Genie 3 estendeu a interação útil a vários minutos, com memória de aproximadamente um minuto. O Genie 4 dobra o horizonte operacional para cerca de dois minutos, segundo o relato da TechCrunch citado acima. Veja a sequência como um retrato do problema: o aspecto difícil dos mundos interativos não é a renderização. É manter centenas de estados consecutivos lembrados em sincronia, em velocidade interativa.

O que há de novo no Genie 4

O anúncio do DeepMind destaca quatro recursos. Considere-os em conjunto, não como “Genie 3 com extras”:

1. Você controla tudo com linguagem, ao vivo. As edições em linguagem natural — mudar o clima, mover a câmera, introduzir uma nova pessoa ou objeto — são aplicadas à simulação em tempo real, e o Gemini adapta suas instruções à cena que de fato o rodeia. Entre suas instruções, o Gemini continua observando e conduzindo a ação para que o mundo avance de forma coerente. O desafio aqui não é renderizar uma cena, mas responder a mudanças dentro dela.

2. Física e pessoas. O Genie 4 simula cenários de física do mundo real — aerodinâmica e colisões são os exemplos do DeepMind — e seu “salto mais impressionante”, segundo o DeepMind, está nas pessoas: personagens que se movem naturalmente, reagem de maneira espontânea ao ambiente e podem ser controlados interativamente em tempo real.

3. Áudio nativo. Segundo a própria descrição do DeepMind, o Genie 4 é “nosso primeiro modelo de mundo em tempo real a gerar áudio nativamente”. Cada ambiente tem seus próprios sons ambientes, do vento nas árvores às ondas na praia — e o grande avanço está na fala: os personagens conversam e reagem às suas instruções e aos eventos do mundo em tempo real, em vez de receberem uma faixa dublada depois.

4. Uma camada de raciocínio dentro do ciclo. É aqui que o Genie 4 rompe com a fórmula do Genie 1–3. Nos bastidores, segundo a DeepMind, o Gemini Omni — o modelo multimodal da família Gemini que transforma imagens, áudio e texto em vídeo — ancora a simulação na aparência e no comportamento do mundo real, enquanto outros modelos Gemini fornecem o raciocínio. Mais especificamente, o Gemini 3.8 Flash atua continuamente como um «agente orientador no ciclo»: enquanto o Genie 4 renderiza, ele observa a cena, divide o objetivo em etapas, analisa os quadros recebidos, verifica cada etapa e reajusta o plano quando o mundo muda ou o usuário intervém. O resultado prometido: causalidade confiável, comportamentos procedurais e raciocínio em várias etapas dentro de um mundo gerado.

Essa camada de raciocínio também tem um parceiro nomeado no anúncio: um experimento com Gemini 4 Argon e Gemini Robotics, no qual o Argon decompõe uma tarefa instruída pelo usuário em etapas, inseridas na simulação como legendas de texto à medida que ela é renderizada — assim, a tarefa simulada continua sendo direcionada para a conclusão enquanto acontece. Esse é o caminho para «praticar a tarefa em um mundo imaginado antes de arriscar o mundo real», a grande promessa dos modelos de mundo para a robótica: ambientes de treinamento infinitamente variados, seguros apesar dos riscos e que podem ser executados novamente, com custo marginal praticamente nulo por tentativa.

O que ainda não funciona

A própria DeepMind aponta as lacunas restantes, que vale a pena ler como a lista de tarefas pendentes do setor:

A coerência só se mantém em sessões curtas. Os detalhes visuais e a permanência dos objetos ainda mudam e oscilam — especialmente quando a simulação se prolonga, após várias edições complexas ou enquanto você navega pela cena.
Interações físicas complexas, precisão do áudio em tempo real, renderização de texto legível, precisão espacial e consistência a longo prazo são áreas de pesquisa em andamento.

Em outras palavras: ninguém ainda conseguiu criar mundos gerados que permaneçam consistentes para sempre. O Marble da World Labs — mundos 3D reconstruídos e persistentes, exportáveis como Gaussian splats ou malhas — é uma arquitetura concorrente que busca a mesma ambição pelo outro lado. E o próximo passo anunciado pela DeepMind são os modelos de mundo híbridos: deixar que uma pilha de modelos de linguagem cuide da camada estruturada e lógica do mundo, enquanto o Genie renderiza sua aparência, seus sons e suas respostas, em vez de pedir a uma única rede gigantesca que faça as duas coisas ao mesmo tempo. Como disse Tejas Kulkarni, diretor de pesquisa do Google, durante a apresentação de lançamento, segundo a TechCrunch: «O que veremos cada vez mais no futuro são esses modelos de mundo híbridos, nos quais há uma combinação do Gemini escrevendo código e texto, e do Genie processando isso em tempo real e simulando a realidade em diferentes níveis de abstração.»

Dois fatos importantes para a segurança antes de chegar ao público em geral: todas as saídas de vídeo e áudio do Genie 4 têm marca-d'água SynthID, e a DeepMind afirma ter realizado avaliações de segurança antes de abrir a prévia, disponibilizando-a deliberadamente primeiro a testadores de confiança.

Quem mais está desenvolvendo essa tecnologia — e por que todos estão convergindo

O Genie 4 chegou a um setor que já estava em movimento. Um panorama geral, organizado segundo as duas abordagens descritas acima:

O Oasis da Decart (outubro de 2024, desenvolvido com a startup de chips Etched) foi a prova de que modelos pequenos também podem competir: um modelo de 500-million-parameter de código aberto para execução local, com uma demonstração hospedada usando um checkpoint maior, improvisando um mundo no estilo Minecraft em 360p e 20 fps numa NVIDIA H100 — sem nenhum mecanismo de jogo no circuito. (Segundo o The Wall Street Journal, a Amazon estaria em negociações para adquirir a Decart por cerca de $7 billion.)
O Marble da World Labs representa a inteligência espacial — termo que a empresa de Fei-Fei Li usa para descrever sua própria aposta em modelos de mundo. Mundos 3D persistentes e navegáveis a partir de texto, imagens ou vídeo, que podem ser visualizados sem limite de tempo e exportados como Gaussian splats, malhas ou vídeo. A AMD anunciou em September 28, 2026 que está adquirindo a World Labs por $8.2 billion.
O Cosmos da NVIDIA representa o ramo industrial: checkpoints abertos de modelos fundacionais de mundo para gerar dados de treinamento sintéticos e simular cenários futuros para robôs e veículos autônomos — a mesma lógica de «sonhar antes da realidade», aplicada a máquinas com atuadores, além de câmeras. A plataforma de «IA física» da NVIDIA (Cosmos, além dos modelos fundacionais para robôs Isaac GR00T) é apresentada exatamente nos moldes do experimento de robótica da DeepMind.
O GWM Worlds 2 da Runway foi lançado alguns meses antes do Genie 4: mundos gerados e interativos com áudio, vindos de uma empresa fundada na geração de vídeo — a prova, pela abordagem dos pixels, de que a fronteira entre modelos de vídeo e modelos de mundo está se desfazendo na direção oposta também.

E, em torno desse panorama, o dinheiro: Amazon–Decart, AMD–World Labs e a compra da startup de modelos de mundo Third Dimension pela Rivian — anunciada em October 22, 2026 — para internalizar a simulação nos testes de direção autônoma. Estúdios de jogos, fabricantes de robôs e montadoras estão todos em busca da mesma coisa: mundos como ambientes de treinamento. É por isso que o Google continua investindo nessa área e por que o horizonte de dois minutos relatado é uma meta de pesquisa, não uma frase de marketing: um simulador só é útil como sala de aula se permanecer estável tempo suficiente para aprender.

A DeepMind apresenta todo esse trabalho como «um aspecto crucial da construção da AGI». A ideia por trás disso: uma inteligência que atuará no mundo precisa aprender com causas, não com rótulos, e um mundo controlável, infinitamente variável e seguro apesar dos riscos é a única sala de aula que pode escalar. Essa é a versão mais ambiciosa da aposta — e continua sendo uma aposta. Ainda não há como provar se a simulação ao nível dos pixels se tornará a base da inteligência incorporada, ou apenas uma entre várias bases, com os latentes abstratos do grupo de LeCun também contribuindo.

O que se pode afirmar especificamente sobre o Genie 4: o primeiro feito defensável oficialmente é o áudio nativo — segundo a descrição da DeepMind, o primeiro modelo de mundo em tempo real que gera áudio nativamente. As afirmações mais amplas são nossas, e devem ser consideradas argumentos, não fatos estabelecidos: para nós, este parece ser o primeiro mundo interativo com esse nível de fidelidade com o qual você pode falar e que fala de volta, e o exemplo público mais claro até agora de um modelo de raciocínio compartilhando o ciclo do renderizador — o mais perto que o setor chegou de fazer «modelo de mundo» significar as duas partes da expressão: os pixels e a mente que se move por eles.

Perguntas frequentes

O que é um modelo de mundo, em uma frase?
Um modelo generativo de como um mundo se comporta — dado o estado atual do mundo e uma ação, ele prevê a aparência e os sons do que vem a seguir, para que agentes possam agir e praticar dentro dele.

Qual é a diferença entre o Genie 4 e um modelo de vídeo como o Veo ou o Sora?
Um modelo de vídeo fornece um clipe pronto; o Genie 4 fornece um ambiente que responde à sua entrada quadro a quadro, lembra o que gerou e produz seu próprio áudio ao vivo. Vídeo é conteúdo; um modelo de mundo é um lugar.

Já posso usar o Genie 4?
Ainda não. É uma prévia de pesquisa destinada a testadores de confiança. Os consumidores virão em seguida, por meio do Project Genie para assinantes do Google AI Ultra (que atualmente usa o Genie 3), e os desenvolvedores participarão depois como parceiros de acesso antecipado da Gemini API e do Google AI Studio. Nenhuma data ou preço foi divulgado.

Quanto tempo pode durar uma sessão do Genie 4?
As sessões ainda são curtas. Oficialmente, a consistência se mantém por «sessões curtas»; segundo a cobertura da TechCrunch sobre a apresentação de lançamento, o limite é de cerca de dois minutos de cena consistente, o dobro do Genie 3.

O Genie 4 gera som?
Sim — não é uma faixa de áudio adicionada a um vídeo pronto. Sons ambientes, música e diálogos falados são gerados como parte do mundo a cada quadro, com os personagens reagindo a você e uns aos outros em tempo real.

Então, o Genie 4 entende física?
A DeepMind demonstra cenários físicos, como aerodinâmica e colisões, em demonstrações de lançamento, mas não publicou nenhum benchmark de física do Genie 4 que possa ser verificado publicamente. Avaliações independentes de modelos no estilo de vídeo — como o Physics-IQ — continuam constatando que realismo visual não implica compreensão física. Considere o realismo um indicador, não uma prova.

Os modelos de mundo vão substituir os mecanismos de jogo?
Não tão cedo, e provavelmente nunca por completo. Os mundos gerados já levam vantagem em velocidade e variedade para exploração e prototipagem, mas ainda não conseguem oferecer os mundos determinísticos, controlados pelo design e de longa duração que os mecanismos garantem. O futuro próximo mais provável é a colaboração: mundos gerados para ideação, simulação e treinamento de agentes; mecanismos para produção e jogos determinísticos.