Google DeepMindは2026年10月27日、環境音や音楽、会話を世界と同時に生成するAI「Genie 4」を研究プレビューとして発表した。人の操作に応じて次の場面を作る「世界モデル」に音が加わり、Geminiが生成中の場面を見ながら計画を修正する構成も示された。前世代のGenie 3にもリアルタイム操作と編集はあったため、操作できること自体が今回の新しさではない。信頼できるテスター向けの段階にあるこの技術を訓練環境として評価するには、映像の自然さに加え、操作後も同じ世界が保たれるかを見分ける必要がある。
音と会話が加わった生成世界
Google DeepMindの発表によると、Genie 4は操作に応じて変わる場面を、環境音や音楽、対話とともに生成する。完成した動画に後から音を付けるのではなく、世界と音を同時に生成するという説明だ。もっとも、同時に生成するとの説明から、内部のモデル構造や学習方法まで特定することはできない。
人はキーボードなどで移動やカメラを操作し、自然言語の指示で場面を変更できる。移動は世界の中で視点を動かす操作、編集は生成される場面に変更を求める操作であり、両者は役割が違う。Genie 3もすでにリアルタイムで操作でき、編集にも対応していたため、「見られる映像が初めて動かせる世界になった」という世代交代ではない。今回の新しさは、そこに音や会話が加わったことにある。
Googleは人の動きや物体の衝突、水の表現も向上したと説明している。これらは体験を現実らしく見せる要素だが、物理法則をどれほど正確に再現したかという測定とは分けて読む必要がある。公開された実演はリアルタイム操作の録画である一方、説明目的で場面を短縮したとの注記がある。映像の尺をそのまま連続操作の上限や課題の成功率には置き換えられない。
Geminiが途中経過を見て計画を直す
世界の生成と、その中で何をするかという判断を、Googleは別の役割として説明している。現実に似た外観や振る舞いを支えるのがGemini Omniで、推論には別のGeminiを使う。GenieとGeminiをまとめて一つの自律ロボットと捉えるより、場面を生む側と、場面を見て次の行動を決める側に分けると理解しやすい。
ガイド役のAIは、目標を複数の工程へ分解する。そして生成されたフレームを観察し、どこまで進んだか、工程が成功したかを判断して、状況に応じて計画を直す。最初に長い指示を渡して結果を待つだけではなく、途中で得た観測を次の指示へ戻す構成だ。この分担により、生成世界の変化に応じて行動を修正できる。これは、任務の成功率の改善を測定した結果ではない。
公式モデルページの初期ロボット研究では、Gemini 4 Argonが複数工程の計画を作り、描画を続けるGenie 4へ工程を文字として渡す例を紹介している。これは生成シミュレーション内の実演だ。実際のロボットを訓練して、その制御を実機へ移した成績を示したものではない。
映像を見ながら計画を修正できても、その映像の中で物体の位置や状態が保たれているかは別に確かめなければならない。そこで前世代との比較でも、何を測った説明なのかが効いてくる。
Genie 3の「数分」とは何が違うか
Genie 3の「数分」は環境の一貫性、Genie 4の「数分」は連続操作時間を指すため、同じ指標の改善率としては比べられない。
両世代の公表項目を、説明する対象ごとに分けると違いが分かる。
| 世代・資料時点 | 公表表現 | 説明している対象 | 比較上の注意 |
|---|---|---|---|
| Genie 3・2025年8月5日 | 数分 | 環境の一貫性を維持する時間 | Genie 4の連続操作時間と同じ指標ではない |
| Genie 4・2026年10月27日 | 数分 | 連続して操作できる時間 | 同条件で測った一貫性の改善率は算出できない |
| Genie 3・2025年8月5日 | 720p・24fps | 生成映像の解像度とフレームレート | Genie 4へ引き継げる仕様値ではない |
| Genie 3・2025年8月5日 | 約1分前まで | 視覚的に覚えていられる過去の長さ | 連続操作時間や環境の一貫性とは区別する |
表注：Google DeepMindのGenie 3発表とGenie 4公式モデルページを基に、対象世代と各表現が指す項目を照合した。後者は2026年10月27日の研究プレビュー時点。同じ条件のベンチマークではなく、数値の正規化や性能順位付けはしていない。
したがって、「どちらも数分だから進歩していない」とも、「前より長く安定した」とも、この比較からは言えない。Genie 3の画質やフレームレートをGenie 4にも当てはめれば、世代の違う仕様まで混ぜてしまう。確認した公式説明では、同じ条件での持続時間の比較は成立しない。
Genie 3の発表は、過去の生成履歴を参照しながら次のフレームを順番に作る際、誤差が蓄積しやすいと説明していた。これは、映像が自然に見えることと、長く操作しても世界の状態が保たれることを分けて評価する理由になる。Genie 4が同じ内部機構を使っていると断定する材料ではないが、生成世界を訓練に使うなら避けられない問いだ。
2018年の世界モデルが示した訓練の落とし穴
世界を予測するモデルと、行動を選ぶ制御役を分ける発想には先例がある。David HaとJürgen Schmidhuberの2018年の研究『World Models』は、映像を扱う視覚モデル、時間の流れを扱う記憶モデル、行動を選ぶ制御役を分けた。視覚をV、記憶をM、制御をCとして組み合わせ、生成モデルの中で制御方策を訓練する研究である。
同研究は、生成した環境で訓練した制御方策を、元のゲームVizDoomへ適用する試みを示した。適用先はゲームであり、現実のロボットではない。それでも、学習用の世界の中でうまく動くことと、その世界が模した元の環境でも動くことを、分けて確かめる設計には意味がある。
研究が示した問題の一つは、制御役が生成モデルの欠陥を利用してしまうことだった。課題を解くために学んだつもりでも、モデルの弱点に依存する行動なら、元の環境では通用しない。生成された世界の中で好成績を収めるほど、外でも役に立つとは限らないのだ。
これはGenie 4にも同じ欠陥が見つかったという話ではなく、両者が同じ学習方法やネットワークを使うという意味でもない。過去研究から得られるのは評価の問いである。生成した場面をAIが観測し、成功したと判断する仕組みがあっても、その判定と、元の環境で課題を達成できることは別々に検証する必要がある。
公開範囲と残る制約
発表時点で提供されているのは、信頼できるテスター向けの研究プレビューだ。Project GenieのGoogle AI Ultra利用者向けと、Gemini API・Google AI Studioの早期アクセスパートナー向けは、今後の提供として案内されている。一般提供の開始や日本での利用可否、価格が確定したという発表ではない。
Googleが挙げる制約にも、訓練環境として評価する際に見過ごせないものがある。操作を長く続けたり、複雑な編集を加えたり、移動したりすると、物体の見た目が変わったり、同じ物体として保たれなくなったりする場合がある。操作の前後で同じ物体と状態を保てるかという問題だ。また、複数の独立した主体との複雑なやり取りには課題が残り、現実の場所の正確な再現や読める文字にも限界がある。音が加わっても、リアルタイム音声の精度は引き続き研究対象となっている。
映像と音声には生成物を識別するSynthIDを付けると説明している。ただし、識別できることが、世界の物理的な正しさを保証するわけではない。生成映像がもっともらしく、観測役のAIが工程の成功を認めても、現実の接触力や位置まで正しく再現したことにはならない。
訓練用途では、まず操作を重ねても対象の状態が保たれるか、次に操作後の成否を確かめられるか、そして元の環境や実機でも結果を再現できるかが判断材料になる。今回の発表に実機への移行成績は示されていない。こうした検証がそろえば、音や会話を伴う生成世界は、体験を作る場から、外でも通用する行動を繰り返し試す場へ進める。
