Genie 4: що таке моделі світу й чому Google не припиняє їх розробляти

27 жовтня 2026 року Google DeepMind оголосила про Genie 4 — свою найновішу модель світу. На відміну від моделі для генерації відео, яка видає вам готовий ролик, Genie 4 створює світ, у який ви можете зануритися: він реагує на натискання клавіш у кожному кадрі, дає змогу змінювати сцену просто під час симуляції звичайною англійською мовою, а тепер цей світ має власний звук, що відтворюється наживо, — вітер, кроки, музику, діалоги, — замість звукового супроводу, накладеного на відео після його створення.

Нові можливості — це головна новина, але водночас і найкраща нагода відповісти на запитання, через яке індустрія ШІ сперечається вже два роки: що таке «модель світу» і чому її прагне створити кожна велика лабораторія?

На момент запуску Genie 4 доступна як дослідницька попередня версія для перевірених тестувальників. За словами DeepMind, «невдовзі» вона з’явиться для передплатників Google AI Ultra через Project Genie — споживчий продукт компанії для дослідження світів, який наразі працює на основі Genie 3, Nano Banana Pro і Gemini, — а також для партнерів із раннім доступом до Gemini API та Google AI Studio. Список очікування Project Genie вже відкрито; ні дат, ні цін не оприлюднили. Тож поки що ніхто не може потрапити всередину Genie 4. Але ви можете розібратися в галузі, до якої вона належить, — саме вона найцікавіша, і розвивається стрімко.

То що ж таке модель світу?

Якщо відкинути маркетингові гасла, модель світу — це нейронна мережа, яка навчилася достатньо добре розуміти, як поводиться певний світ, щоб безперервно його симулювати: маючи поточний стан світу й певну дію, вона передбачає, як світ виглядатиме — а тепер і звучатиме — далі. Якщо подати такій системі достатньо відео, результат буде схожий на ігровий рушій, який ніхто не програмував: жодного коду фізики, вручну створених ресурсів чи дизайну рівнів. Правила, краєвиди й хмари над пагорбами — усе це формується з ваг моделі.

У цієї ідеї є засаднича праця. У 2018 році в статті World Models Девід Га та Юрген Шмідгубер показали, що невеликого агента можна навчити усередині генеративної моделі його власного середовища — за словами авторів, навчити «цілком усередині власного галюцинованого сну, згенерованого його моделлю світу», — а потім перенести назад у справжню гру. Це й досі найвлучніше коротке визначення: модель світу — це місце, де можна тренуватися.

Відтоді компанії зробили з тієї самої ідеї два різні висновки:

Передбачати пікселі. У лютому 2024 року OpenAI у статті «Моделі генерації відео як симулятори світу» стверджувала, що масштабування генерації відео — це «перспективний шлях до створення універсальних симуляторів фізичного світу». На підтвердження цього підходу компанія показала, як Sora відтворює ігровий процес Minecraft і водночас керує персонажем за допомогою базової політики. Якщо довести якість відео до належного рівня, мовляв, розуміння світу з’явиться разом із нею.
Передбачати абстракції. У програмній статті 2022 року Шлях до автономного машинного інтелекту Янн ЛеКун відстоює протилежну позицію: модель світу має передбачати майбутні стани в просторі абстрактних представлень, а не пікселів. Частково тому, що передбачення на рівні пікселів витрачає більшу частину ресурсів моделі на деталі, які ніхто не може перевірити, а частково тому, що агент планує, порівнюючи уявні результати, а не уявні кадри. Архітектура JEPA — це втілення цього аргументу в коді.

Обидва табори погоджуються щодо мети: створити достатньо глибокий симулятор, у якому можна навчати агентів, не платячи за кожну помилку в реальному світі. Розбіжність лише в тому, яке представлення дасть змогу досягти цього першим. Робота DeepMind над Genie належить до піксельного табору, але з нюансом, до якого ми ще повернемося: спершу пікселі, але такі, з якими можна взаємодіяти, і тепер за ними стоїть мовна модель.

Чому інтерактивний світ складніший за красиве відео

Важливо зрозуміти: модель світу — це задача зовсім іншого рівня складності, ніж генератор відео, а не просто потужніший генератор відео. Відмінності закладені в самій структурі:

Відмінність	Генератор відео	Модель світу
Що ви отримуєте	готовий ролик	середовище, що постійно змінюється
Хто в ньому діє	ніхто — воно відтворюється без вас	ви — у кожному кадрі
На чому ґрунтується кожен кадр	на запиті, обробленому за один прохід	на вашій останній дії та поточному стані світу
Стан	нічого не потрібно зберігати	світ пам’ятає, що згенерував
Звук	додається до готового ролика	виникає наживо разом зі світом
Коли він завершується	закінчується ролик	коли ви зупиняєтеся — або коли починає втрачатися цілісність

Примітка до таблиці: вона показує ідеальну відмінність між двома типами моделей. Окремі продукти поєднують обидва підходи: GWM Worlds 2 від Runway і Oasis від Decart — це моделі на основі відео, створені для інтерактивності.

Однак розробники інтерактивних моделей світу мають розв’язувати проблеми, яких генератори роликів можуть уникнути:

Швидкість. Моделі відео кінематографічної якості можуть витрачати на один кадр кілька хвилин. Модель світу має генерувати кожен кадр за частки секунди, оскільки інтерактивні середовища працюють зі швидкістю 24–60 кадрів на секунду, а повільніша реакція руйнує ілюзію. Інтерактивність — це проблема архітектури, а не лише якості результату.
Пам’ять. Модель має пам’ятати все, що вже вам показала. Відійдіть від пам’ятки, а потім поверніться за хвилину: якщо вона виглядатиме інакше, світ миттєво зруйнується. Саме тому фахівці в цій галузі насправді стежать за послідовністю — за тим, скільки цілісного досвіду світ здатен зберігати й пам’ятати.
Причинно-наслідкова фізика. Реалістичні кадри легко підробити, а от причинно-наслідкові зв’язки — ні. У тесті 2025 року під назвою Physics-IQ зупиняли реальні записи повсякденних подій і просили моделі відео — Sora, Runway, Pika, Lumiere, Stable Video Diffusion і VideoPoet — продовжити їх. Потім результат порівнювали з тим, що насправді відбувалося далі, у сферах гідродинаміки, оптики, механіки твердих тіл, магнетизму й термодинаміки. Висновок: фізичне розуміння цих моделей було «вкрай обмеженим і не пов’язаним із візуальним реалізмом». Модель світу має знайти тут правильний баланс, інакше не можна буде довіряти перенесенню назовні жодних навичок, набутих усередині неї.

Ці три вузькі місця чітко відповідають етапам розвитку Genie. Кожне нове покоління забезпечує наступний крок у швидкості, пам’яті та розумінні причинно-наслідкових зв’язків.

Лінійка Genie: від іграшки до двох хвилин (за повідомленнями)

Покоління	Випуск	Що ви їй даєте	Що вона довела
Genie	лютий 2024 року	одне зображення	інтерактивний 2D-світ, дії виводяться з відео
Genie 2	грудень 2024 року	одне зображення	інтерактивний 3D-світ зі збереженням об’єктів у пам’яті, до приблизно хвилини
Genie 3	серпень 2025 року	текстовий запит	перша генерація в реальному часі: 720p зі швидкістю 24 кадри/с, кілька хвилин
Genie 4	27 жовтня 2026 року	текст і події в реальному часі	вбудоване аудіо; Gemini як «режисер» у процесі; близько 2 хвилин (за повідомленнями)

Примітка: роздільну здатність і частоту кадрів Genie 4 не оприлюднили. Дані про хвилину для Genie 2 та показники Genie 3 взято з анонсів DeepMind; цифра у два хвилини вище — з огляду TechCrunch на презентацію DeepMind (про це повідомляють тут).

Дві деталі про лінійку Genie важливі для розуміння концепції, а не просто для цікавих фактів:

Перша Genie сама вигадала елементи керування. У статті про Genie за 2024 рік ішлося про базову модель світу з 11 мільярдами параметрів, навчену на необроблених відео з інтернету без міток дій. Дослідники виявили, що коли людина в навчальному відео натискає «ліворуч» або стрибає, нейромережа здатна вивести латентний простір дій зі змін між кадрами. Інтерактивність з’явилася без жодної розміченої дії, тому слово «контролер» у контексті моделі світу не означає набір кнопок, обраний дизайнером. Воно означає дії, які модель здатна вивести сама, — а покоління DeepMind відтоді розширювали їх від рухів у платформерах до подій у світі, якими можна керувати текстом.

Саме поступове зростання послідовності найкраще показує, як розвивається ця технологія. За анонсом DeepMind у грудні 2024 року, Genie 2 могла підтримувати цілісність світу приблизно хвилину. Genie 3 збільшила тривалість придатної для взаємодії симуляції до кількох хвилин і могла пам’ятати події приблизно за хвилину. Згідно зі згаданим вище повідомленням TechCrunch, Genie 4 подвоює робочу тривалість до приблизно двох хвилин. Ця послідовність окреслює суть проблеми: найскладніше в інтерактивних світах — не відтворення зображення, а узгоджене збереження сотень послідовних станів, які модель пам’ятає, за інтерактивної швидкості.

Що нового в Genie 4

В анонсі DeepMind виділено чотири можливості. Розглядайте їх разом, а не як «Genie 3 плюс кілька доповнень»:

1. Ви керуєте світом за допомогою мови — в реальному часі. Зміни, задані звичайною мовою, — змінити погоду, пересунути камеру, додати нову людину чи предмет — застосовуються до симуляції в реальному часі, а Gemini адаптує ваші слова до сцени навколо вас. Між вашими командами Gemini продовжує спостерігати й керувати, щоб світ розвивався послідовно. Тут важливо не просто відтворити сцену, а реагувати на зміни всередині неї.

2. Фізика та люди. Genie 4 симулює фізичні явища реального світу — DeepMind наводить як приклади аеродинаміку та зіткнення. А її «найразючіший стрибок уперед», за словами DeepMind, — це люди: персонажі, які рухаються природно, органічно реагують на своє оточення, і якими можна інтерактивно керувати в реальному часі.

3. Вбудоване аудіо. За власним описом DeepMind, Genie 4 — це «наша перша модель світу, яка генерує аудіо безпосередньо в реальному часі». Кожне середовище має власні звуки довкілля — від шелесту вітру в деревах до прибою на пляжі. А найновіша можливість — мовлення: персонажі ведуть розмови й реагують на ваші команди та події у світі в реальному часі, замість того щоб отримувати дубльований звуковий супровід уже після цього.

4. Шар міркувань усередині циклу. Саме четверта особливість відрізняє Genie 4 від підходу Genie 1–3. За словами DeepMind, в основі симуляції лежить Gemini Omni — мультимодальна модель сімейства Gemini, яка перетворює зображення, аудіо й текст на відео та відтворює реалістичний вигляд і поведінку світу, тоді як інші моделі Gemini забезпечують міркування. Зокрема, Gemini 3.8 Flash безперервно працює як «агент-наставник у циклі»: поки Genie 4 генерує сцену, він спостерігає за нею, розбиває ціль на кроки, аналізує нові кадри, перевіряє виконання кожного кроку й переглядає план, коли світ змінюється або втручається користувач. Заявлений результат: надійний причинно-наслідковий зв’язок, процедурна поведінка й багатокрокове міркування всередині згенерованого світу.

У цьому анонсі в шару міркувань є й названий партнер: експеримент із Gemini 4 Argon і Gemini Robotics, у якому Argon розбиває завдання, задане користувачем, на кроки, що під час генерації симуляції вставляються в неї як текстові підписи, — тож виконання симульованого завдання й далі спрямовується до завершення просто під час роботи. Це відкриває шлях до того, щоб «потренуватися виконувати завдання у вигаданому світі, перш ніж ризикувати справжнім» — у цьому й полягає головна обіцянка світових моделей для робототехніки: нескінченно різноманітні, безпечно небезпечні навчальні середовища, які можна запускати знову без практично жодних додаткових витрат на кожну спробу.

Що поки що не працює

DeepMind сама називає проблеми, які ще залишаються, — їх варто сприймати як перелік завдань для всієї галузі:

Узгодженість зберігається лише протягом коротких сесій. Візуальні деталі й сталість об’єктів усе ще змінюються та дрейфують — особливо в довших симуляціях, після кількох складних редагувань або під час переміщення сценою.
Складні фізичні взаємодії, точність аудіо в реальному часі, відтворення читабельного тексту, просторова точність і довгострокова узгодженість — усе це активні напрями досліджень.

Якщо розгорнути цю думку: поки що нікому не вдалося створити згенеровані світи, які залишалися б узгодженими безкінечно довго. Marble від World Labs — архітектура для відтворення та збереження 3D-світів із можливістю експорту у вигляді Gaussian splats або сіток — є конкурентним підходом до тієї самої мети, але з іншого боку. А заявлений наступний крок DeepMind — гібридні світові моделі: дати мовній моделі відповідати за структурований, логічний шар світу, а Genie — за те, як він виглядає, звучить і реагує, замість того, щоб доручати обидва завдання одній гігантській мережі. Як сказав під час презентації Теджас Кулкарні, директор із досліджень Google, за повідомленням TechCrunch: «У майбутньому ми дедалі частіше бачитимемо такі гібридні світові моделі, де Gemini поєднує написання коду й тексту, а Genie отримує ці дані в реальному часі та моделює реальність на різних рівнях абстракції».

Перш ніж ця технологія стане доступною широкому загалу, варто знати два важливі для безпеки факти: усі відео й аудіо, згенеровані Genie 4, містять водяний знак SynthID, а DeepMind повідомляє, що перед відкриттям попереднього доступу провела оцінювання безпеки й спершу навмисно надала доступ довіреним тестувальникам.

Хто ще працює над цим — і чому всі рухаються в одному напрямку

Genie 4 з’явилася на тлі вже активних розробок у цій галузі. Ось приблизна картина, розділена за двома описаними вище напрямами:

Oasis від Decart (жовтень 2024 року, створена спільно зі стартапом Etched, що виробляє чипи) довела, що невелика модель теж може впоратися: модель із 500 мільйонами параметрів із відкритим кодом для локального запуску, а розміщена онлайн демонстраційна версія працює на більшому контрольному наборі даних. Вона імпровізує світ у стилі Minecraft із роздільністю 360p і частотою 20 fps на NVIDIA H100 — ігрового рушія в цьому циклі немає. (Як повідомляє The Wall Street Journal, Amazon веде переговори про придбання Decart приблизно за $7 billion.)
Marble від World Labs — це просторова інтелектуальність, термін, яким компанія Фей-Фей Лі описує власний підхід до світових моделей. Стійкі 3D-світи, якими можна переміщатися, створюються з тексту, зображень або відео; їх можна переглядати без обмежень у часі й експортувати у вигляді Gaussian splats, сіток або відео. 28 вересня 2026 року AMD оголосила про придбання World Labs за $8.2 billion.
NVIDIA Cosmos — промисловий напрям: відкриті контрольні версії базових моделей світу для створення синтетичних навчальних даних і симуляції майбутніх сценаріїв для роботів та автономних транспортних засобів. Це та сама логіка «спершу помріяти, потім діяти в реальності», застосована до машин із приводами й камерами. Стек NVIDIA для «фізичного ШІ» (Cosmos і базові моделі роботів Isaac GR00T) позиціюється саме в дусі робототехнічного експерименту DeepMind.
GWM Worlds 2 від Runway вийшла за кілька місяців до Genie 4: це ігрові згенеровані світи зі звуком від компанії, що спеціалізується на генерації відео, — доказ від табору піксельних моделей того, що межа між відеомоделями та світовими моделями розмивається і з іншого боку.

А навколо цієї картини — гроші: Amazon–Decart, AMD–World Labs і викуп стартапу світових моделей Third Dimension компанією Rivian, оголошений 22 жовтня 2026 року, щоб перенести симуляцію тестування безпілотного водіння всередину компанії. Ігрові студії, розробники роботів і автовиробники шукають одного й того самого — світи як навчальні середовища. Ось чому Google продовжує працювати над цим і чому згаданий горизонт у дві хвилини — це дослідницька мета, а не рекламна обіцянка: симулятор корисний як навчальний клас, лише якщо він залишається цілісним достатньо довго, щоб у ньому можна було вчитися.

DeepMind називає всю цю роботу «ключовим аспектом створення AGI». За цим твердженням стоїть така ідея: інтелект, який діятиме у світі, має навчатися на причинах, а не на мітках, і єдиний масштабований навчальний клас — це контрольований, нескінченно мінливий і безпечно небезпечний світ. Це сильна версія ставки — і все ж це ставка. Поки що ніхто не може довести, чи стане піксельна симуляція основою втіленого інтелекту, чи лише однією з кількох основ, де частину роботи виконуватимуть абстрактні латентні представлення, на яких наголошує команда ЛеКуна.

Що можна стверджувати конкретно про Genie 4: першість, яку можна офіційно обґрунтувати, — це нативне аудіо: за описом DeepMind, це перша світова модель реального часу, яка нативно генерує аудіо. Ширші твердження належать нам, і їх варто сприймати як аргументи, а не як установлені факти: на наш погляд, це перший інтерактивний світ такої якості, з яким можна говорити й який відповідає, а також найпереконливіший на сьогодні публічний приклад того, як модель міркування працює в одному циклі з рендерером. Це найближчий крок до того, щоб поняття «світова модель» охоплювало обидві частини: пікселі й розум, що рухається крізь них.

Поширені запитання

Що таке світова модель — одним реченням?
Генеративна модель поведінки світу: отримавши поточний стан світу й дію, вона передбачає, як світ виглядатиме та звучатиме далі, щоб агенти могли діяти й навчатися всередині нього.

Чим Genie 4 відрізняється від відеомоделі на кшталт Veo або Sora?
Відеомодель видає готовий ролик; Genie 4 створює середовище, яке реагує на ваші команди кадр за кадром, пам’ятає згенероване й створює власне аудіо наживо. Відео — це контент, а світова модель — місце.

Чи можна вже користуватися Genie 4?
Поки що ні. Це дослідницька попередня версія для довірених тестувальників. Наступними доступ до неї отримають споживачі — через Project Genie для підписників Google AI Ultra (зараз там працює Genie 3), а згодом і розробники — як партнери раннього доступу до Gemini API та Google AI Studio. Дати й ціни поки не оголошено.

Скільки може тривати сеанс Genie 4?
Поки що сеанси короткі. Офіційно узгодженість зберігається протягом «коротких сесій»; за оцінкою TechCrunch після презентації, межа становить приблизно дві хвилини узгодженої сцени — удвічі більше, ніж у Genie 3.

Чи генерує Genie 4 звук?
Так — це не звукова доріжка, накладена на готове відео. Навколишні звуки, музика й діалоги генеруються як частина світу в кожному кадрі, а персонажі реагують на вас і одне на одного в реальному часі.

То Genie 4 розуміє фізику?
У демонстраціях під час презентації DeepMind показує фізичні сценарії, зокрема аеродинаміку й зіткнення, але публічно перевірного фізичного бенчмарку для Genie 4 не оприлюднено. Незалежні оцінювання відеомоделей — наприклад, Physics-IQ — постійно показують, що візуальний реалізм не означає розуміння фізики. Тож сприймайте реалізм як непрямий показник, а не доказ.

Чи замінять світові моделі ігрові рушії?
Не скоро й, імовірно, не повністю. Для дослідження й прототипування згенеровані світи вже мають перевагу у швидкості та різноманітті, але поки що не можуть забезпечити детерміновані, контрольовані дизайнерами світи для тривалих сесій, які гарантують рушії. Найімовірніше, найближчим часом ці технології доповнюватимуть одна одну: згенеровані світи — для пошуку ідей, симуляцій і навчання агентів; рушії — для готових продуктів і детермінованого ігрового процесу.