Genie 4: что такое модели мира и почему Google не перестаёт к ним стремиться

27 октября 2026 года Google DeepMind представила Genie 4 — свою новейшую модель мира. В отличие от модели генерации видео, которая выдаёт готовый ролик, Genie 4 создаёт мир, в который можно войти: он реагирует на нажатия клавиш каждый кадр, позволяет менять сцену прямо во время симуляции обычным английским языком, а теперь у мира есть и собственный звук в реальном времени — ветер, шаги, музыка, речь, — а не звуковая дорожка, наложенная на видео после его создания.

Новые возможности — это главная новость, но заодно и самый наглядный повод ответить на вопрос, вокруг которого индустрия ИИ спорит уже два года: что именно такое «модель мира» и почему она нужна каждой крупной лаборатории?

На момент запуска Genie 4 доступна в виде исследовательской предварительной версии для доверенных тестировщиков. По словам DeepMind, скоро она появится у подписчиков Google AI Ultra через Project Genie — потребительский продукт компании для исследования миров, который сейчас работает на базе Genie 3, Nano Banana Pro и Gemini, — а также у партнёров Gemini API и Google AI Studio, получивших ранний доступ. Запись в лист ожидания Project Genie уже открыта; даты и цены пока не опубликованы. Так что пока никто не может попасть внутрь Genie 4. Зато вы можете разобраться в области, к которой она относится, — именно она представляет интерес, и развивается стремительно.

Так что же такое модель мира?

Если отбросить маркетинг, модель мира — это нейросеть, которая достаточно хорошо усвоила, как ведёт себя тот или иной мир, чтобы продолжать его симулировать: получив текущее состояние мира и действие, она предсказывает, как мир будет выглядеть — и теперь также звучать — в следующий момент. Дайте такой системе достаточно видео, и получится нечто вроде игрового движка, который никто не писал вручную: ни кода физики, ни созданных вручную ресурсов, ни дизайна уровней. Правила, пейзажи, облака над холмами — всё это возникает из весов модели.

У этой идеи есть основополагающая работа. В 2018 году Дэвид Ха и Юрген Шмидхубер в статье World Models показали, что небольшой агент может обучаться внутри генеративной модели собственной среды — по выражению авторов, «целиком внутри галлюцинаторного сна, порождённого его моделью мира», — а затем переносить полученные навыки в настоящую игру. Это по-прежнему самое ёмкое определение: модель мира — место, где можно тренироваться.

С тех пор компании пришли к двум разным выводам, исходя из одной и той же идеи:

Предсказывать в пикселях. В феврале 2024 года OpenAI в статье «Video generation models as world simulators» заявила, что масштабирование генерации видео — «перспективный путь к созданию универсальных симуляторов физического мира». В подтверждение этого подхода компания показала, как Sora генерирует игровой процесс Minecraft и одновременно управляет игроком с помощью простейшей политики. Согласно этой логике, достаточно улучшить качество видео — и понимание мира возникнет само собой.
Предсказывать в абстракциях. В программной статье Яна ЛеКуна 2022 года A Path Towards Autonomous Machine Intelligence предлагается противоположный подход: модель мира должна предсказывать будущие состояния в пространстве абстрактных представлений, а не в пикселях — отчасти потому, что предсказание на уровне пикселей расходует большую часть ресурсов модели на детали, которые невозможно проверить, а отчасти потому, что агент планирует, сравнивая воображаемые исходы, а не воображаемые кадры. Архитектура JEPA — воплощение этой идеи в коде.

Обе стороны согласны с целью — создать достаточно глубокий симулятор, в котором можно обучать агентов, не платя за каждую ошибку в реальном мире. Разногласия касаются того, какое представление позволит достичь цели быстрее. Работа DeepMind над Genie относится к пиксельному подходу, но с оговоркой, к которой мы ещё вернёмся: сначала пиксели, но такие, на которые можно воздействовать, и теперь — с языковой моделью за кулисами.

Почему создать игровой мир сложнее, чем красивое видео

Главное различие, которое часто упускают: модель мира — задача принципиально иного уровня сложности, чем генератор видео, а не просто более мощный генератор видео. Различия носят структурный характер:

Параметр	Генератор видео	Модель мира
Что вы получаете	готовый ролик	непрерывно существующую среду
Кто в ней действует	никто — она работает без вас	вы, каждый кадр
Каждый кадр создаётся на основе	запроса, прошедшего однократное устранение шума	вашего последнего действия и текущего состояния мира
Состояние	нечего сохранять	мир помнит, что уже сгенерировал
Звук	монтируется в готовый ролик	возникает одновременно с миром
Когда заканчивается	заканчивается ролик	когда вы прекращаете — или когда накапливается дрейф

Примечание к таблице: в ней показано идеальное различие между двумя типами моделей. Отдельные продукты занимают промежуточное положение — Runway's GWM Worlds 2 и Decart's Oasis представляют собой модели в стиле видеогенераторов, созданные для интерактивности.

Но создателям интерактивной модели мира приходится решать задачи, которых генератору роликов удаётся избежать:

Скорость. Модели видео кинематографического качества могут тратить на один кадр минуты. Модели мира отводится доля секунды на каждый кадр, поскольку интерактивный контент работает со скоростью 24–60 кадров в секунду, а более медленный отклик разрушает иллюзию. Интерактивность — это задача архитектуры, а не только качества результата.
Память. Модель должна сохранять всё, что уже показала вам. Отойдите от приметного места и вернитесь через минуту: если оно выглядит иначе, мир тут же перестанет быть убедительным. Именно поэтому специалисты в этой области следят за согласованностью — тем, как долго мир способен поддерживать связный, запоминающийся опыт.
Причинно-следственная физика. Сымитировать реалистичные кадры легко; причинно-следственные связи — нет. В тесте 2025 года под названием Physics-IQ реальные записи повседневных событий останавливали на середине и просили видеомодели — Sora, Runway, Pika, Lumiere, Stable Video Diffusion, VideoPoet — продолжить их. Затем полученные продолжения сравнивали с тем, что произошло в действительности, оценивая жидкости, оптику, механику твёрдых тел, магнетизм и термодинамику. Вывод теста: понимание физики этими моделями было «крайне ограниченным и не связанным с реалистичностью изображения». Модель мира должна найти баланс, иначе нельзя быть уверенным, что навыки, полученные внутри неё, перенесутся во внешний мир.

Эти три узких места чётко отражены в истории выпусков Genie. Каждое новое поколение обеспечивает очередной прирост скорости, памяти и причинно-следственного понимания.

Линейка Genie: от игрушки до двух минут (по сообщениям)

Поколение	Выпуск	Что вы задаёте	Что удалось доказать
Genie	февраль 2024 года	одно изображение	интерактивный 2D-мир, действия выводятся из видео
Genie 2	декабрь 2024 года	одно изображение	интерактивный 3D-мир с постоянством объектов, до примерно минуты
Genie 3	август 2025 года	текстовый запрос	первая генерация в реальном времени: 720p при 24 fps, несколько минут
Genie 4	27 октября 2026 года	текст и события в реальном времени	встроенная генерация звука; Gemini в роли «режиссёра»; около 2 минут (по сообщениям)

Примечание: разрешение и частота кадров Genie 4 не опубликованы. Данные о минуте для Genie 2 и показатели Genie 3 взяты из объявлений DeepMind; цифра в две минуты выше приводится в отчёте TechCrunch о брифинге DeepMind к запуску (сообщается здесь).

Для понимания концепции, а не просто из любопытства, важны две детали о линейке Genie:

Первая Genie сама изобрела управление. В статье о Genie за 2024 год описывалась базовая модель мира с 11 миллиардами параметров, обученная на необработанных интернет-видео без разметки действий. Авторы обнаружили, что, когда на видео человек нажимает «влево» или «прыгает», сеть способна выделить латентное пространство действий по изменениям между кадрами. Интерактивность появилась без чьей-либо разметки действий — поэтому «контроллер» в модели мира не означает набор кнопок, выбранных дизайнером. Это любые действия, которые модель способна вывести сама, а каждое новое поколение DeepMind расширяло их набор: от движений в платформерах до событий в мире, управляемых текстом.

Именно прирост согласованности показывает, как развивается технология. Согласно объявлению DeepMind за декабрь 2024 года, Genie 2 могла поддерживать связный мир примерно минуту. Genie 3 увеличила время полезного взаимодействия до нескольких минут и могла помнить события примерно за минуту до текущего момента. По приведённому выше сообщению TechCrunch, Genie 4 увеличивает рабочий горизонт примерно до двух минут. Эта последовательность показывает суть проблемы: самое сложное в интерактивных мирах — не рендеринг, а способность согласованно удерживать в памяти сотни последовательных состояний, реагируя в интерактивном темпе.

Что нового в Genie 4

В объявлении DeepMind выделены четыре возможности. Рассматривать их нужно вместе, а не как «Genie 3 плюс несколько дополнений»:

1. Вы управляете миром с помощью языка в реальном времени. Изменения, заданные естественным языком, — например, перемена погоды, движение камеры, появление нового человека или объекта, — применяются к симуляции в реальном времени, а Gemini адаптирует ваши формулировки к окружающей сцене. В промежутках между вашими командами Gemini продолжает наблюдать и управлять миром, чтобы события развивались связно. Здесь главное мастерство — не в создании сцены, а в реакции на изменения внутри неё.

2. Физика и люди. Genie 4 моделирует ситуации из реального мира с учётом физики — в качестве примеров DeepMind приводит аэродинамику и столкновения. По словам DeepMind, самый впечатляющий скачок связан с людьми: персонажи двигаются естественно, органично реагируют на окружение, и ими можно управлять в реальном времени.

3. Встроенная генерация звука. По собственному описанию DeepMind, Genie 4 — «наша первая модель мира, генерирующая звук непосредственно в реальном времени». У каждой среды есть собственный фоновый звук — от ветра в деревьях до шума прибоя на пляже. Передовой элемент здесь — речь: персонажи разговаривают и в реальном времени реагируют на ваши действия и события в мире, а не получают дублированную звуковую дорожку после генерации.

4. Слой рассуждений внутри цикла. Именно здесь Genie 4 отходит от подхода Genie 1–3. По словам DeepMind, в основе симуляции лежит Gemini Omni — мультимодальная модель семейства Gemini, которая преобразует изображения, аудио и текст в видео и задаёт реалистичный внешний вид и поведение мира, а рассуждают в нём другие модели Gemini. Конкретно, Gemini 3.8 Flash непрерывно работает как «управляющий агент в цикле»: пока Genie 4 создаёт изображение, модель наблюдает за сценой, разбивает цель на шаги, анализирует поступающие кадры, проверяет каждый шаг и пересматривает план, если мир меняется или пользователь вмешивается. Заявленный результат — надёжная причинно-следственная связь, процедурное поведение и многошаговые рассуждения внутри сгенерированного мира.

В анонсе у этого слоя рассуждений есть и партнёр: эксперимент с Gemini 4 Argon и Gemini Robotics, в котором Argon разбивает задачу, заданную пользователем, на шаги, а те по мере отрисовки симуляции добавляются в неё в виде текстовых подписей. Так задача в симуляции продолжает направленно выполняться по ходу работы. Это открывает путь к тому, чтобы «потренироваться выполнять задачу в воображаемом мире, прежде чем тратить ресурсы реального»: в этом и заключается обещание мировых моделей для робототехники — бесконечно разнообразные, безопасно опасные среды для обучения, которые можно запускать снова и снова практически без дополнительных затрат на каждую попытку.

Что пока не работает

DeepMind сама называет оставшиеся пробелы, и на них стоит взглянуть как на список задач для всей области:

Согласованность сохраняется только в коротких сессиях. Визуальные детали и постоянство объектов всё ещё меняются и «плывут» — особенно при длительной симуляции, после нескольких сложных правок или при перемещении по сцене.
Сложные физические взаимодействия, точность аудио в реальном времени, отображение разборчивого текста, пространственная точность и долговременная согласованность — всё это активные направления исследований.

Иначе говоря: пока никому не удалось создать сгенерированные миры, сохраняющие согласованность бесконечно долго. Marble от World Labs — трёхмерные миры, которые можно реконструировать, сохранять и экспортировать в виде Gaussian splats или сеток, — представляет собой конкурирующую архитектуру, которая идёт к той же цели с другой стороны. А следующий шаг, по словам DeepMind, — гибридные мировые модели: поручить языковой модели структурный и логический слой мира, а Genie — создавать его облик, звуки и реакции, вместо того чтобы требовать от одной гигантской сети выполнения обеих задач сразу. Как заявил на брифинге по запуску Теджас Кулкарни, директор по исследованиям Google, по сообщению TechCrunch: «В будущем мы всё чаще будем видеть такие гибридные мировые модели, в которых Gemini пишет код и текст, а Genie в реальном времени обрабатывает их и симулирует реальность на разных уровнях абстракции».

Прежде чем это станет доступно широкой публике, важно отметить два факта, связанных с безопасностью: все видео- и аудиоматериалы Genie 4 помечаются водяными знаками SynthID, а DeepMind сообщает, что перед открытием предварительной версии провела оценку безопасности и сначала намеренно предоставила доступ только проверенным тестировщикам.

Кто ещё этим занимается — и почему все сходятся к одной цели

Genie 4 появилась на уже активно развивающемся рынке. Примерная картина с учётом двух описанных выше подходов:

Oasis от Decart (октябрь 2024 года, разработана вместе со стартапом Etched, создающим чипы) доказала, что и небольшая модель может показать результат: модель с 500-million-параметровым размером, выложенная в открытый доступ для локального запуска, и размещённая онлайн демоверсия на более крупном чекпойнте, которая импровизировала в мире в духе Minecraft с разрешением 360p и частотой 20 fps на NVIDIA H100 — без игрового движка в цикле. (Как сообщила The Wall Street Journal, Amazon ведёт переговоры о покупке Decart примерно за $7 billion.)
Marble от World Labs — пример пространственного интеллекта, так компания Фэй-Фэй Ли называет свой подход к мировым моделям. Постоянные, доступные для исследования трёхмерные миры можно создавать по тексту, изображениям или видео, просматривать без временных ограничений и экспортировать в виде Gaussian splats, сеток или видео. 28 сентября 2026 года AMD объявила о покупке World Labs за $8.2 billion.
Cosmos от NVIDIA — промышленное направление: открытые чекпойнты базовых моделей мира для генерации синтетических обучающих данных и симуляции будущих сценариев для роботов и автономных автомобилей. Та же логика «потренироваться до встречи с реальностью», но применённая к машинам не только с камерами, но и с исполнительными механизмами. Пакет NVIDIA для «физического ИИ» (Cosmos и базовые модели роботов Isaac GR00T) позиционируется именно в духе эксперимента DeepMind в области робототехники.
GWM Worlds 2 от Runway вышла за пару месяцев до Genie 4: интерактивные сгенерированные миры со звуком от компании, специализирующейся на генерации видео. Это доказательство со стороны «пиксельного» подхода того, что граница между видеомоделями и мировыми моделями размывается и с другого конца.

А рядом с этой картиной — деньги: Amazon–Decart, AMD–World Labs и покупка Rivian стартапа по созданию мировых моделей Third Dimension, объявленная 22 октября 2026 года, чтобы перенести симуляцию внутрь компании для тестирования беспилотного вождения. Игровые студии, разработчики роботов и автопроизводители ищут одно и то же — миры как среды для обучения. Вот почему Google продолжает заниматься этим направлением и почему сообщаемая цель в две минуты — исследовательская задача, а не маркетинговый лозунг: симулятор может служить учебной средой, только если он достаточно долго сохраняет целостность, чтобы в нём можно было учиться.

DeepMind называет всю эту работу «важнейшим аспектом создания AGI». За этим утверждением стоит следующая идея: интеллект, которому предстоит действовать в мире, должен учиться на причинах, а не на метках, и единственная масштабируемая учебная среда — это управляемый, бесконечно изменчивый и безопасно опасный мир. Это сильная версия ставки — и всё же это ставка. Пока невозможно доказать, станет ли симуляция на уровне пикселей основой воплощённого интеллекта или лишь одной из нескольких основ, наряду с абстрактными латентными представлениями, которым отводит роль часть работы лагерь ЛеКуна.

Что можно сказать конкретно о Genie 4: официально подтверждённое первенство — встроенная генерация аудио; по описанию DeepMind, это первая мировая модель, которая генерирует аудио нативно и в реальном времени. Более широкие утверждения — наши, и их следует воспринимать как аргументы, а не как установленные факты: нам кажется, что это первый интерактивный мир такого уровня точности, с которым можно разговаривать и который отвечает, а также самый наглядный на сегодня публичный пример того, как модель рассуждений включена в цикл рендеринга. Это ближе всего к тому, чтобы термин «мировая модель» в полной мере означал обе части своего названия: пиксели и разум, который в них движется.

Часто задаваемые вопросы

Что такое мировая модель, одним предложением?
Генеративная модель поведения мира: получив текущее состояние мира и действие, она предсказывает, как мир будет выглядеть и звучать дальше, чтобы агенты могли действовать и тренироваться внутри него.

Чем Genie 4 отличается от видеомодели вроде Veo или Sora?
Видеомодель выдаёт готовый ролик, а Genie 4 предоставляет среду, которая реагирует на ваши действия кадр за кадром, помнит, что сгенерировала, и создаёт собственное аудио в реальном времени. Видео — это контент, а мировая модель — это место.

Можно ли уже пользоваться Genie 4?
Пока нет. Это исследовательская предварительная версия для проверенных тестировщиков. Следующими доступ получат обычные пользователи через Project Genie для подписчиков Google AI Ultra (сейчас он работает на Genie 3), а затем — разработчики в качестве партнёров по раннему доступу к Gemini API и Google AI Studio. Даты и цены не объявлены.

Как долго может длиться сессия Genie 4?
Пока сессии короткие. Официально согласованность сохраняется в течение «коротких сессий»; по оценке TechCrunch, озвученной на брифинге по запуску, предел составляет примерно две минуты согласованной сцены — вдвое больше, чем у Genie 3.

Genie 4 генерирует звук?
Да — это не звуковая дорожка, наложенная на готовое видео. Звуки окружения, музыка и речь генерируются как часть мира для каждого кадра, а персонажи в реальном времени реагируют на вас и друг на друга.

Значит, Genie 4 понимает физику?
В демонстрациях на запуске DeepMind показывает физические сценарии, например аэродинамику и столкновения, однако общедоступных и независимо проверяемых тестов Genie 4 по физике не публиковалось. Независимые оценки видеомоделей — например, Physics-IQ — постоянно показывают, что визуальный реализм не означает понимания физики. Поэтому воспринимайте реализм как косвенный показатель, а не доказательство.

Заменят ли мировые модели игровые движки?
Не в ближайшее время и, вероятно, не полностью. В исследовании и прототипировании сгенерированные миры уже выигрывают в скорости и разнообразии, но пока не могут обеспечить детерминированные, управляемые дизайнерами и рассчитанные на долгие сессии миры, которые гарантируют движки. Скорее всего, в ближайшем будущем они будут работать вместе: сгенерированные миры — для разработки идей, симуляции и обучения агентов, а движки — для производства и детерминированного игрового процесса.