Google DeepMind ha presentado Genie 4, su nuevo modelo de mundo. Escribes una escena y la genera como un entorno por el que te mueves con el teclado, con sonido incluido y coherente durante unos dos minutos, el doble que Genie 3. Por ahora solo lo tienen probadores de confianza, y lo siguiente serán los suscriptores de Google AI Ultra y algunos socios de la API de Gemini.
Un modelo de mundo genera un entorno que responde a lo que haces, fotograma a fotograma. Mueves la cámara, giras la esquina, y el modelo se inventa lo que hay detrás. Genie 4 añade dos cosas que el anterior no tenía: audio nativo y la posibilidad de cambiar la escena escribiendo mientras corre.
Puntos clave de Genie 4
- Audio generado a la vez que la imagen: música, ruido ambiente y diálogo de los personajes, todo salido del propio modelo.
- Edición en directo con texto: cambiar el tiempo, mover la cámara o meter una persona u objeto nuevo sin reiniciar la simulación.
- Unos dos minutos de escena coherente, frente a un minuto de Genie 3, según TechCrunch y The Verge.
- Gemini por debajo: Gemini Omni ancla el aspecto realista y otro modelo de la familia (Gemini 3.8 Flash, según The Verge) razona para que la escena no se desmonte.
- Disponibilidad: vista previa de investigación para probadores de confianza, con lista de espera abierta en Project Genie.
Qué cambia frente a Genie 3
Google sacó Genie 3 como vista previa hace algo más de un año. Generaba mundos navegables, pero mudos, y aguantaba alrededor de un minuto antes de que los detalles empezaran a bailar.
Con Genie 4 cambia el reparto de papeles. Gemini hace de director: planifica la línea temporal de la escena, revisa fotogramas y, entre una orden tuya y la siguiente, va empujando la simulación para que siga teniendo sentido. Genie pinta la realidad inmediata (cómo se ve, cómo suena y cómo responde el mundo) píxel a píxel. Si escribes "que empiece a llover", Gemini adapta esa orden a lo que hay en pantalla en ese momento.
Tejas Kulkarni, director de investigación en Google, lo explicó en la presentación a la prensa. Lo que viene, dijo, son modelos de mundo híbridos, con Gemini escribiendo código y texto y Genie consumiéndolo en tiempo real para simular la realidad a distintos niveles de abstracción. DeepMind usa en su blog la misma expresión, "hybrid world models", y presenta Genie 4 como un primer paso en esa dirección.
El control sigue siendo de videojuego: teclas para moverte y para la cámara, y texto para dirigir lo que pasa. Todos los ejemplos que ha publicado Google son grabaciones de sesiones reales, y el sonido que se oye en ellos sale del modelo.
Para qué lo están usando los primeros probadores
DeepMind ha trabajado con grupos de probadores en cine, periodismo, educación, videojuegos e ingeniería. Lo que cuenta de esas pruebas es bastante concreto:
- Previsualización en cine. Un director entra en una simulación de la escena y rueda varias "tomas" en directo, cambiando ángulo, luz, diálogo y acción sobre la marcha. Diego Rivas, ingeniero de DeepMind, dijo que el tiempo real vale sobre todo en la fase de ideas y de storyboard, cuando necesitas iterar rápido sin perder el hilo.
- Fotos de archivo convertidas en lugares. Fotoperiodistas están probando a convertir una foto histórica en 2D en una simulación de ese entorno en segundos, o a visualizar cómo avanza una riada o un incendio.
- Prototipos de juego. Pasar de una idea a algo explorable en segundos, probando estilos visuales y mecánicas con lenguaje natural antes de escribir una línea de código en el motor del juego.
- Simulación para empresa y robótica. En un experimento con Gemini Robotics, un modelo Gemini 4 Argon descompuso en pasos una partida de damas del robot humanoide Apollo, de Apptronik, y Genie 4 la simuló en tiempo real. Es una forma de ensayar lo que hará un robot antes de que lo haga en el mundo físico.
Rivas insistió en que es pronto y en que todavía no está claro cómo será el producto final. También apuntó que más adelante esos prototipos podrían pasar a Gemini Omni para convertirse en piezas de vídeo terminadas, aunque eso, reconoció, aún está lejos.
Un mercado que se está comprando a trozos
Genie 4 llega a un sector que se mueve rápido y en el que los grandes prefieren comprar. Runway sacó hace un par de meses GWM Worlds 2, su segundo modelo de mundo jugable, también con audio. AMD compró World Labs, la empresa de Fei-Fei Li, por 8.200 millones a finales de septiembre, semanas después de que World Labs presentara Atlas. Amazon está en conversaciones para comprar Decart, según TechCrunch, y Rivian ha comprado Third Dimension para tener la simulación en casa y probar con ella su conducción autónoma.
Google tiene una ventaja en esa carrera: el razonamiento ya lo tiene en casa, en Gemini. Y Genie 4 es justo la prueba de que juntar los dos modelos da escenas más coherentes que cualquiera de los dos por separado.
¿Se puede probar Genie 4 ya?
De momento no. Solo lo tienen probadores de confianza elegidos por Google.
Hay una lista de espera abierta en Project Genie, y Google dice que llegará "pronto" (TechCrunch habla de las próximas semanas) a los suscriptores de Google AI Ultra dentro de Project Genie y a socios con acceso anticipado en la API de Gemini y en Google AI Studio. Google no ha dado fecha ni ha dicho en qué países estará disponible.
Lo que todavía no hace bien
DeepMind es bastante franco con los límites. La escena aguanta en sesiones cortas, pero los detalles y la permanencia de los objetos se desplazan cuanto más dura la simulación, después de varias ediciones complejas o cuando te mueves mucho por el escenario. Las interacciones físicas complejas, la precisión del audio, el texto legible dentro del mundo y la consistencia a largo plazo siguen siendo problemas abiertos.
Todo el vídeo y el audio que genere llevará SynthID, la marca de agua invisible de Google para identificar contenido hecho con IA. Y el despliegue por fases, primero probadores y luego Ultra, es la forma que tiene Google de ver cómo se usa antes de abrirlo a todo el mundo.
Por qué importa
Para una empresa española que no hace videojuegos ni robots, el uso que se ve venir es la previsualización. Cualquier equipo que hoy paga un render 3D, una maqueta o un storyboard para enseñar cómo quedará una tienda, un stand de feria o un anuncio va a poder enseñarlo en directo, entrar dentro y cambiar la luz delante del cliente.
En una marca como Barner, que prepara campañas cada temporada, lo caro siempre es el paso de la idea a algo que el equipo pueda ver. Si en unos meses se puede entrar en el set antes de rodar, aunque sean dos minutos y con algún objeto bailando, eso ahorra días de idas y vueltas. Yo lo pondría en la lista de cosas a probar en cuanto llegue a Ultra, sabiendo que hoy es un prototipo de investigación.
Fuente original: Google DeepMind
Relacionado
