Giải thích về Genie 4: world model là gì và vì sao Google không ngừng theo đuổi chúng

Ngày 27 tháng 10 năm 2026, Google DeepMind công bố Genie 4, world model mới nhất của hãng. Khác với mô hình video AI — tạo ra cho bạn một đoạn clip hoàn chỉnh — Genie 4 tạo ra một thế giới để bạn bước vào: thế giới phản hồi với bàn phím của bạn ở từng khung hình, bạn có thể dùng tiếng Anh thông thường để viết lại cảnh ngay giữa lúc mô phỏng diễn ra, và giờ đây thế giới còn có âm thanh trực tiếp của riêng mình — tiếng gió, tiếng bước chân, âm nhạc, lời thoại — thay vì phần nhạc nền được ghép lên video sau đó.

Các khả năng mới là điểm đáng chú ý, nhưng cũng là cái cớ rõ ràng nhất lúc này để giải đáp câu hỏi mà ngành AI đã tranh luận suốt hai năm qua: chính xác thì “world model” là gì, và vì sao mọi phòng thí nghiệm lớn đều muốn có một mô hình như vậy?

Khi ra mắt, Genie 4 là bản xem trước nghiên cứu dành cho những người thử nghiệm được chọn. Theo DeepMind, sản phẩm sẽ “sớm ra mắt” cho người đăng ký Google AI Ultra thông qua Project Genie — sản phẩm khám phá thế giới dành cho người tiêu dùng của công ty, hiện chạy trên Genie 3 cùng Nano Banana Pro và Gemini — cũng như các đối tác được cấp quyền truy cập sớm vào Gemini API và Google AI Studio. Danh sách chờ Project Genie đã mở; chưa có ngày ra mắt hay giá nào được công bố. Vì vậy, hiện chưa ai có thể đặt lịch trải nghiệm Genie 4. Điều bạn có thể làm là tìm hiểu lĩnh vực mà sản phẩm này thuộc về — đó mới là phần thú vị, và nó đang thay đổi rất nhanh.

Thực chất world model là gì?

Bỏ qua lớp vỏ tiếp thị, world model là một mạng nơ-ron đã học được cách một thế giới vận hành đủ tốt để tiếp tục mô phỏng thế giới ấy: dựa trên trạng thái hiện tại của thế giới và một hành động, mô hình dự đoán thế giới sẽ trông như thế nào — và giờ đây sẽ nghe ra sao — tiếp theo. Cung cấp đủ video cho một hệ thống như vậy, kết quả sẽ giống như một bộ máy trò chơi mà bạn không cần tự viết: không có mã vật lý, không có tài sản được tạo thủ công, không có thiết kế màn chơi. Các quy luật, phong cảnh, những đám mây trên đồi đều xuất phát từ trọng số của mô hình.

Ý tưởng này có một dấu mốc khai sinh. Năm 2018, bài báo World Models của David Ha và Jürgen Schmidhuber cho thấy có thể huấn luyện một tác nhân nhỏ bên trong mô hình tạo sinh về chính môi trường của nó — theo cách diễn đạt của các tác giả, được huấn luyện “hoàn toàn bên trong giấc mơ ảo giác do chính world model của nó tạo ra” — rồi chuyển tác nhân đó trở lại trò chơi thật. Đến nay, đây vẫn là định nghĩa một câu gọn nhất: world model là nơi để luyện tập.

Từ đó, các công ty đã rút ra hai kết luận khác nhau từ cùng một ý tưởng:

• Dự đoán bằng pixel. Tháng 2 năm 2024, OpenAI lập luận trong bài “Các mô hình tạo video như trình mô phỏng thế giới” rằng mở rộng quy mô tạo video là “một hướng đi đầy triển vọng để xây dựng các trình mô phỏng đa dụng cho thế giới vật lý”. Bằng chứng cho hướng đi này là Sora có thể dựng cảnh chơi Minecraft đồng thời điều khiển nhân vật bằng một chính sách cơ bản. Lập luận ở đây là: khi video đủ tốt, khả năng hiểu thế giới sẽ tự đi kèm.
• Dự đoán bằng biểu diễn trừu tượng. Bài luận định vị năm 2022 của Yann LeCun, A Path Towards Autonomous Machine Intelligence, đưa ra quan điểm ngược lại: world model nên dự đoán các trạng thái tương lai trong không gian biểu diễn trừu tượng, chứ không phải bằng pixel — một phần vì dự đoán ở cấp độ pixel khiến phần lớn năng lực của mô hình bị tiêu hao vào những chi tiết không ai kiểm chứng được, và một phần vì tác nhân lập kế hoạch bằng cách so sánh các kết quả tưởng tượng, chứ không phải các khung hình tưởng tượng. Kiến trúc JEPA là lập luận ấy được thể hiện bằng mã.

Cả hai phe đều đồng ý về mục tiêu — một trình mô phỏng đủ sâu để huấn luyện tác nhân bên trong mà không phải trả giá thật cho mỗi sai lầm trong thế giới thực. Họ bất đồng về dạng biểu diễn nào sẽ đạt được mục tiêu trước. Công trình Genie của DeepMind thuộc phe dựa trên pixel, nhưng có một điểm khác biệt mà chúng ta sẽ đề cập sau: bắt đầu bằng pixel, nhưng là những pixel mà bạn có thể tương tác, và giờ đây còn có một mô hình ngôn ngữ đứng phía sau.

Vì sao một thế giới có thể chơi được lại khó hơn một video đẹp

Điểm khiến nhiều người nhầm lẫn là world model có độ khó thuộc một cấp độ khác so với trình tạo video, chứ không phải chỉ là một trình tạo video lớn hơn. Sự khác biệt nằm ở cấu trúc:

Lưu ý về bảng trên: bảng mô tả sự đối lập lý tưởng giữa hai loại mô hình. Một số sản phẩm nằm giữa hai loại — GWM Worlds 2 của Runway và Oasis của Decart là các mô hình kiểu video được thiết kế để có thể chơi được.

Tuy nhiên, một world model có thể chơi được buộc nhà phát triển phải giải quyết những vấn đề mà trình tạo clip có thể né tránh:

1. Tốc độ. Các mô hình video đạt chất lượng điện ảnh có thể mất vài phút để tạo một cảnh quay. World model chỉ có một phần nhỏ của giây cho mỗi khung hình, vì trải nghiệm tương tác chạy ở tốc độ 24 đến 60 khung hình mỗi giây, và bất kỳ phản hồi nào chậm hơn đều phá vỡ ảo giác. Tính tương tác là vấn đề về kiến trúc, chứ không chỉ là chất lượng đầu ra.
2. Bộ nhớ. Mọi thứ mô hình đã cho bạn thấy đều phải được ghi nhớ. Hãy rời khỏi một địa danh rồi quay lại một phút sau: nếu địa danh đó được dựng khác đi, thế giới sẽ lập tức sụp đổ. Vì vậy, tính nhất quán — mức độ trải nghiệm mạch lạc mà một thế giới có thể duy trì và ghi nhớ — mới là con số mà những người trong lĩnh vực này thực sự theo dõi.
3. Vật lý nhân quả. Có thể dễ dàng làm giả cảnh quay sống động như thật; nhưng quan hệ nhân quả thì không. Một phép đo chuẩn năm 2025 có tên Physics-IQ đã tạm dừng các bản ghi hình thật về những sự kiện thường ngày rồi yêu cầu các mô hình video — Sora, Runway, Pika, Lumiere, Stable Video Diffusion, VideoPoet — tiếp tục chúng, sau đó chấm điểm phần tiếp nối dựa trên những gì thực sự xảy ra tiếp theo, trong các lĩnh vực chất lỏng, quang học, cơ học vật rắn, từ tính và nhiệt động lực học. Kết luận của phép đo: khả năng hiểu vật lý trong các mô hình ấy “cực kỳ hạn chế và không liên quan đến mức độ chân thực về hình ảnh”. World model phải xử lý được thách thức đó, nếu không thì không thể tin rằng bất cứ thứ gì được huấn luyện bên trong nó sẽ chuyển giao được ra bên ngoài.

Ba điểm gây áp lực đó tương ứng rõ ràng với lịch sử phát hành Genie. Mỗi thế hệ ra đời để cải thiện thêm một bước về tốc độ, bộ nhớ và khả năng nắm bắt quan hệ nhân quả.

Dòng Genie: từ món đồ chơi đến hai phút (theo báo cáo)

Lưu ý: độ phân giải và tốc độ khung hình của Genie 4 chưa được công bố. Mốc một phút của Genie 2 và các số liệu của Genie 3 đến từ thông báo của DeepMind; con số hai phút ở trên là kết quả TechCrunch ghi nhận từ buổi giới thiệu ra mắt của DeepMind (được đưa tin tại đây).

Hai chi tiết về dòng Genie quan trọng đối với khái niệm này, chứ không chỉ là chuyện bên lề:

Genie đầu tiên tự tạo ra cách điều khiển riêng. Bài báo Genie năm 2024 mô tả một world model nền tảng 11 tỷ tham số được huấn luyện trên video thô từ internet mà không có nhãn hành động — và phát hiện rằng khi một người nhấn “trái” hoặc “nhảy” trong đoạn phim huấn luyện, mạng có thể trích xuất không gian hành động tiềm ẩn từ những thay đổi giữa các khung hình. Khả năng chơi được xuất hiện mà không ai phải gắn nhãn hành động. Đó là lý do “bộ điều khiển” trong world model không có nghĩa là những nút do nhà thiết kế lựa chọn. Nó có nghĩa là bất kỳ hành động nào mô hình có thể suy ra — và kể từ đó, qua các thế hệ, DeepMind đã mở rộng những hành động này từ động tác trong trò chơi đi cảnh đến các sự kiện trong thế giới do văn bản điều khiển.

Mức cải thiện về tính nhất quán chính là bước tiến cho thấy câu chuyện. Theo thông báo tháng 12 năm 2024 của DeepMind, Genie 2 có thể duy trì một thế giới mạch lạc trong khoảng một phút. Genie 3 kéo dài thời gian tương tác hữu dụng lên vài phút, với bộ nhớ lùi lại khoảng một phút. Theo bản tin TechCrunch ở trên, Genie 4 tăng gấp đôi khoảng thời gian hoạt động lên khoảng hai phút. Hãy xem chuỗi tiến bộ này như hình dạng của bài toán: phần khó nhất của các thế giới tương tác không phải là dựng hình, mà là giữ cho hàng trăm trạng thái liên tiếp được ghi nhớ luôn nhất quán ở tốc độ tương tác.

Genie 4 có gì mới?

Thông báo của DeepMind tập trung vào bốn khả năng. Hãy xem chúng cùng nhau, thay vì coi đây là “Genie 3 cộng thêm vài tính năng”:

1. Điều khiển trực tiếp bằng ngôn ngữ. Các chỉnh sửa bằng ngôn ngữ tự nhiên — thay đổi thời tiết, di chuyển camera, đưa thêm người hoặc vật thể mới vào — được áp dụng lên mô phỏng theo thời gian thực, còn Gemini điều chỉnh cách diễn đạt của bạn cho phù hợp với cảnh vật đang thực sự bao quanh. Giữa các lần bạn nhập lệnh, Gemini tiếp tục quan sát và điều khiển để thế giới phát triển một cách mạch lạc. Điểm tinh tế ở đây không phải là dựng một cảnh, mà là phản hồi với những thay đổi bên trong cảnh đó.

2. Vật lý và con người. Genie 4 mô phỏng các tình huống vật lý trong thế giới thực — khí động học và va chạm là những ví dụ DeepMind đưa ra — còn “bước tiến ngoạn mục nhất”, theo DeepMind, là con người: các nhân vật chuyển động tự nhiên, phản ứng linh hoạt với môi trường xung quanh và có thể được điều khiển tương tác theo thời gian thực.

3. Âm thanh tích hợp. Theo chính mô tả của DeepMind, Genie 4 là “world model thời gian thực đầu tiên của chúng tôi tạo ra âm thanh tích hợp”. Mỗi bối cảnh đều có âm thanh môi trường riêng, từ tiếng gió thổi qua cây đến tiếng sóng vỗ bờ — còn yếu tố mới mẻ nhất là lời thoại: các nhân vật trò chuyện và phản ứng với đầu vào của bạn cũng như các sự kiện trong thế giới theo thời gian thực, thay vì được lồng tiếng sau đó.

4. Một lớp suy luận bên trong vòng lặp. Điểm thứ tư là nơi Genie 4 khác hẳn công thức của Genie 1–3. Theo DeepMind, Gemini Omni — mô hình đa phương thức thuộc gia đình Gemini, có thể chuyển hình ảnh, âm thanh và văn bản thành video — làm nền tảng cho mô phỏng về diện mạo và hành vi của thế giới thực, còn các mô hình Gemini khác đảm nhiệm việc suy luận. Cụ thể, Gemini 3.8 Flash liên tục hoạt động như một «tác nhân dẫn dắt trong vòng lặp»: khi Genie 4 kết xuất cảnh, mô hình quan sát cảnh đó, chia mục tiêu thành các bước, xem xét các khung hình đầu vào, xác minh từng bước rồi lập kế hoạch lại khi thế giới thay đổi hoặc người dùng can thiệp. Kết quả được tuyên bố là khả năng nhân quả đáng tin cậy, hành vi theo quy trình và suy luận nhiều bước bên trong một thế giới được tạo sinh.

Trong thông báo, lớp suy luận này còn có một đối tác cụ thể: thử nghiệm với Gemini 4 Argon và Gemini Robotics, trong đó Argon phân rã tác vụ do người dùng hướng dẫn thành các bước, rồi đan xen chúng dưới dạng chú thích văn bản vào mô phỏng trong lúc mô phỏng được kết xuất — nhờ vậy, tác vụ mô phỏng liên tục được điều hướng để tiến tới hoàn thành ngay khi đang chạy. Đây chính là cánh cửa dẫn đến việc «luyện tập tác vụ trong một thế giới tưởng tượng trước khi đưa thế giới thật vào cuộc»: đó là toàn bộ lý do ngành robot hướng đến world model — môi trường huấn luyện đa dạng vô hạn, nguy hiểm nhưng an toàn, có thể chạy lại, với chi phí biên cho mỗi lần thử lại gần như bằng không.

Những gì vẫn chưa hoạt động tốt

DeepMind tự nêu những khoảng trống còn lại, và nên xem chúng như danh sách việc cần làm của cả lĩnh vực:

• Tính nhất quán chỉ duy trì trong các phiên ngắn. Chi tiết hình ảnh và tính liên tục của vật thể vẫn thay đổi, trôi lệch — nhất là khi mô phỏng chạy lâu hơn, sau nhiều lần chỉnh sửa phức tạp hoặc khi bạn di chuyển trong cảnh.
• Tương tác vật lý phức tạp, độ chính xác của âm thanh thời gian thực, khả năng kết xuất văn bản dễ đọc, độ chính xác không gian và tính nhất quán dài hạn đều là những lĩnh vực đang được nghiên cứu tích cực.

Nói dài hơn một chút: chưa ai giải quyết được bài toán tạo ra những thế giới nhất quán mãi mãi. Marble của World Labs — tái dựng và duy trì thế giới 3D, có thể xuất dưới dạng Gaussian splat hoặc lưới đa giác — là một kiến trúc đối thủ tiếp cận cùng tham vọng từ hướng ngược lại. Bước tiếp theo mà DeepMind công bố là world model lai: để một hệ thống mô hình ngôn ngữ đảm nhiệm lớp logic, có cấu trúc của thế giới, còn Genie kết xuất diện mạo, âm thanh và phản ứng của thế giới, thay vì yêu cầu một mạng nơ-ron khổng lồ làm cả hai việc cùng lúc. Như Tejas Kulkarni, giám đốc nghiên cứu tại Google, chia sẻ trong buổi họp báo ra mắt, theo TechCrunch: «Trong tương lai, chúng ta sẽ ngày càng thấy nhiều world model lai như vậy, kết hợp Gemini viết mã và văn bản với Genie tiếp nhận chúng theo thời gian thực và mô phỏng thực tại ở những mức độ trừu tượng khác nhau.»

Trước khi công nghệ này đến tay người tiêu dùng phổ thông, có hai thông tin liên quan đến an toàn cần biết: mọi nội dung video và âm thanh do Genie 4 tạo ra đều có dấu chìm SynthID, và DeepMind cho biết đã tiến hành đánh giá an toàn trước khi mở bản xem trước, đồng thời cố ý chỉ cấp quyền trước cho những người thử nghiệm đáng tin cậy.

Những ai khác đang xây dựng công nghệ này — và vì sao họ đang hội tụ

Genie 4 xuất hiện trong một lĩnh vực vốn đã sôi động. Dưới đây là bức tranh tổng quan, dựa trên hai trường phái đã nêu:

• Oasis của Decart (tháng 10 năm 2024, phát triển cùng startup chip Etched) là minh chứng của lĩnh vực này cho thấy mô hình nhỏ vẫn có thể làm được việc: một mô hình 500-million-parameter được phát hành mã nguồn mở để chạy cục bộ, cùng bản demo chạy trên máy chủ dùng checkpoint lớn hơn, ứng biến trong một thế giới mang phong cách Minecraft ở độ phân giải 360p và tốc độ 20 fps trên NVIDIA H100 — hoàn toàn không có game engine trong vòng lặp. (Theo The Wall Street Journal, Amazon đang đàm phán mua lại Decart với giá khoảng $7 billion.)
• Marble của World Labs thuộc lĩnh vực trí tuệ không gian — thuật ngữ mà công ty của Fei-Fei Li dùng cho hướng tiếp cận world model của riêng mình. Công nghệ này tạo ra những thế giới 3D có thể duy trì và khám phá từ văn bản, hình ảnh hoặc video; có thể xem không giới hạn thời gian và xuất dưới dạng Gaussian splat, lưới đa giác hoặc video. AMD thông báo vào ngày 28 tháng 9 năm 2026 rằng họ đang mua lại World Labs với giá $8.2 billion.
• Cosmos của NVIDIA là nhánh công nghiệp: các checkpoint world foundation model mã nguồn mở để tạo dữ liệu huấn luyện tổng hợp và mô phỏng các tình huống tương lai cho robot và xe tự hành — cùng logic «mơ trước khi bước vào thực tế», áp dụng cho máy móc có cơ cấu chấp hành chứ không chỉ có camera. Bộ công nghệ «physical AI» của NVIDIA (Cosmos cùng các mô hình nền tảng robot Isaac GR00T) được giới thiệu chính xác theo hướng thử nghiệm robot của DeepMind.
• GWM Worlds 2 của Runway ra mắt vài tháng trước Genie 4: những thế giới được tạo sinh có thể chơi được, kèm âm thanh, đến từ một công ty xây dựng tên tuổi nhờ công nghệ tạo video — minh chứng từ trường phái pixel cho thấy ranh giới giữa mô hình video và world model đang mờ dần theo chiều ngược lại.

Và quanh bức tranh đó là dòng vốn: thương vụ Amazon–Decart, AMD–World Labs và việc Rivian mua lại startup world model Third Dimension — công bố ngày 22 tháng 10 năm 2026 — để đưa hoạt động mô phỏng vào nội bộ phục vụ thử nghiệm xe tự hành. Các hãng game, công ty chế tạo robot và nhà sản xuất ô tô đều đang tìm mua cùng một thứ — những thế giới làm môi trường huấn luyện. Đó là lý do Google liên tục theo đuổi công nghệ này, và vì sao mốc hai phút được đưa tin là mục tiêu nghiên cứu chứ không phải lời tiếp thị: một trình mô phỏng chỉ hữu ích như lớp học nếu nó duy trì được tính nhất quán đủ lâu để người học tiếp thu.

DeepMind mô tả toàn bộ hướng nghiên cứu này là «một khía cạnh then chốt trong việc xây dựng AGI». Lập luận đằng sau tuyên bố đó là: một trí tuệ có thể hành động trong thế giới phải học từ nguyên nhân chứ không phải nhãn, và một thế giới có thể điều khiển, biến đổi vô hạn nhưng vẫn nguy hiểm một cách an toàn là môi trường huấn luyện duy nhất có thể mở rộng quy mô. Đó là phiên bản mạnh mẽ của luận điểm — và nó vẫn là một giả thuyết. Chưa ai chứng minh được liệu mô phỏng ở cấp độ pixel có trở thành nền tảng cho trí tuệ hiện thân, hay chỉ là một trong nhiều nền tảng, cùng với các biểu diễn tiềm ẩn trừu tượng của trường phái LeCun đảm nhận một phần công việc.

Điều có thể khẳng định riêng về Genie 4: điểm đầu tiên có cơ sở chính thức là âm thanh tích hợp — theo mô tả của DeepMind, đây là world model thời gian thực đầu tiên tạo âm thanh trực tiếp. Những tuyên bố lớn hơn là nhận định của chúng tôi, và nên được xem như lập luận chứ không phải sự thật đã được xác lập: theo chúng tôi, đây có vẻ là thế giới tương tác đầu tiên ở mức độ trung thực này mà bạn có thể trò chuyện và nhận lời hồi đáp, đồng thời là ví dụ công khai rõ ràng nhất cho đến nay về một mô hình suy luận cùng tham gia vòng lặp với bộ kết xuất — bước gần nhất mà lĩnh vực này đạt được để khiến «world model» thực sự mang đủ cả hai nghĩa của cụm từ: những điểm ảnh và tâm trí di chuyển bên trong chúng.

Câu hỏi thường gặp

World model là gì, gói gọn trong một câu?
Một mô hình tạo sinh về cách thế giới vận hành — dựa trên trạng thái hiện tại của thế giới và một hành động, mô hình dự đoán thế giới sẽ trông và nghe như thế nào tiếp theo, để các tác nhân có thể hành động và luyện tập bên trong đó.

Genie 4 khác gì mô hình video như Veo hay Sora?
Mô hình video cung cấp cho bạn một đoạn phim hoàn chỉnh; Genie 4 tạo ra một môi trường phản hồi đầu vào của bạn qua từng khung hình, ghi nhớ những gì nó đã tạo ra và tự tạo âm thanh trực tiếp. Video là nội dung; world model là một nơi chốn.

Tôi có thể sử dụng Genie 4 ngay hôm nay không?
Chưa. Đây là bản xem trước nghiên cứu dành cho những người thử nghiệm đáng tin cậy. Tiếp theo sẽ là người tiêu dùng, thông qua Project Genie dành cho người đăng ký Google AI Ultra (hiện đang chạy Genie 3); sau đó là các nhà phát triển với tư cách đối tác truy cập sớm của Gemini API và Google AI Studio. Chưa có ngày phát hành hay giá nào được công bố.

Một phiên Genie 4 có thể chạy trong bao lâu?
Các phiên vẫn còn ngắn. Theo thông tin chính thức, tính nhất quán chỉ duy trì trong «các phiên ngắn»; bản tường thuật của TechCrunch về buổi họp báo ra mắt cho biết giới hạn là khoảng hai phút với cảnh nhất quán, gấp đôi Genie 3.

Genie 4 có tạo âm thanh không?
Có — không phải một bản nhạc được ghép lên video đã hoàn tất. Âm thanh môi trường, âm nhạc và lời thoại được tạo ra như một phần của thế giới trong từng khung hình, với các nhân vật phản ứng với bạn và với nhau theo thời gian thực.

Vậy Genie 4 có hiểu vật lý không?
DeepMind trình diễn các tình huống vật lý như khí động học và va chạm trong các bản demo ra mắt, nhưng chưa công bố bất kỳ chuẩn đánh giá vật lý nào cho Genie 4 mà công chúng có thể kiểm chứng. Các đánh giá độc lập về mô hình dạng video, chẳng hạn Physics-IQ, liên tục cho thấy độ chân thực về hình ảnh không đồng nghĩa với hiểu biết vật lý — hãy xem tính chân thực là dấu hiệu đại diện, không phải bằng chứng.

World model có thay thế game engine không?
Không phải trong thời gian gần và có lẽ cũng không thay thế hoàn toàn. Thế giới được tạo sinh đã vượt trội về tốc độ và độ đa dạng trong việc khám phá và tạo mẫu, nhưng hiện chưa thể mang lại những thế giới có tính xác định, được kiểm soát chặt chẽ về thiết kế và duy trì lâu dài như các engine bảo đảm. Tương lai gần có khả năng là sự phối hợp: thế giới được tạo sinh phục vụ việc lên ý tưởng, mô phỏng và huấn luyện tác nhân; engine phục vụ khâu sản xuất và trải nghiệm chơi có tính xác định.

Nguồn

• Genie 4: Thế hệ mô phỏng thế giới mới (Google DeepMind, ngày 27 tháng 10 năm 2026)
• Genie 3: Biên giới mới của world model (Google DeepMind, ngày 5 tháng 8 năm 2025)
• Genie 2: World model nền tảng quy mô lớn (Google DeepMind, ngày 4 tháng 12 năm 2024)
• World model Genie 4 của Google bổ sung âm thanh, thế giới chân thực hơn và khả năng điều hướng theo thời gian thực (TechCrunch, ngày 27 tháng 10 năm 2026)
• Tạo ra những thế giới lớn hơn và tốt hơn / Marble: World model đa phương thức (World Labs)
• NVIDIA và các nhà lãnh đạo robot toàn cầu đưa Physical AI vào thế giới thực (NVIDIA, ngày 16 tháng 3 năm 2026)