Google、世界シミュレーションAI「Genie 4」発表

英Google DeepMindは2026年10月27日、ユーザーの指示や操作入力に応じてフォトリアルな仮想世界をリアルタイムに生成・シミュレートするAIモデル「Genie 4」を発表した。

Genie 4は文章や画像プロンプトを起点に探索可能な3D世界を即座に構築する「世界モデル（物理世界の構造や因果関係を学習しシミュレートするAI）」の最新世代である。従来モデルから物理現象や人体の挙動再現が大幅に高度化されたほか、空間環境音や登場人物の会話音声のネイティブ同時生成に対応した。

Geminiファミリーとの連携によるリアルタイム世界構築

Genie 4の最大の特徴は、Googleの基幹AI「Gemini（Googleが開発するマルチモーダル大規模言語モデル）」ファミリーと密接に連携するアーキテクチャを採用した点にある。

• ​外観と因果関係の維持​: Gemini Omniが現実世界の見た目と挙動の基盤を提供し、他のGeminiモデルが複雑な推論を行うことで、シミュレーションの一貫性と因果関係（cause-and-effect）を保持する。
• ​対話的な環境変更​: ユーザーは標準的なキーボードとマウスで移動やカメラワークをリアルタイムに制御できる。さらに自然言語でプロンプトを追加することで、天候を変更したり、新たな登場人物や物体をシーンへ即座に追加したりできる。
• ​空間音響と対話のネイティブ生成​: 映像の動きに合わせて風や波の音、足音、乗り物の走行音などを同時に合成する。登場人物同士の自然な対話音声も生成でき、周囲の出来事に応じて発言内容が変化する。

ロボティクス訓練と安全性への配慮

Google DeepMindは、Genie 4を自律型ロボットの学習環境やゲーム開発などの分野へ応用することを想定している。

例えば、Gemini 4 Argonが複雑なタスクの多段階計画をテキストで立案し、その指示をGenie 4へ送りながらシミュレーションをリアルタイムレンダリングすることで、ロボット学習用の仮想訓練空間を無限に供給できる仕組みを検証している。

また安全対策として、Genie 4が生成したすべての映像および音声には、Googleの電子透かし技術「SynthID」が埋め込まれ、AI生成コンテンツの識別が可能となっている。

技術的限界と制約事項の整理

公式発表では、Genie 4の優れた性能と同時に、現状における研究上の限界点も詳細に開示されている。

• ​連続操作時間の制約​: 現行プレビューで安定して対話操作できる時間は「数分間」に留まり、長時間の連続セッションには未対応。
• ​物体の永続性（Object Permanence）の乱れ​: シミュレーションが長引いたり、複雑な指示変更を重ねたりすると、物体の外観や位置が徐々に変化・消失するドリフト現象が発生する。
• ​複数エージェントの相互作用​: 複数の独立したエージェントとユーザーが同じ空間で複雑に干渉し合うシミュレーションは発展途上である。
• ​実在空間の精密再現​: 実在する特定の場所を完璧な精度で再現することは現時点で困難とされる。

分析と展望

Genie 4は、動画生成AIが「決められた長さの映像を出力する受動的なツール」から、「人間の操作やAIエージェントの行動にリアルタイムに応答するインタラクティブな物理空間」へと脱皮したことを示す画期的なマイルストーンである。物体の永続性など課題は残るものの、物理世界へ展開する具現化AI（Embodied AI）の訓練コストを劇的に下げる基盤として、今後の進化が期待される。

引用元：Google DeepMind / GIGAZINE / BRIDGE