Do běžící scény napíšete „přidej déšť“ a začne pršet. Pootočíte kameru, přidáte do záběru postavu, a model dopočítá, jak se světlo chová na mokrém asfaltu i jak ta postava obchází kaluž. Žádný render, žádný engine s předem připravenými assety. Jen model, který každý další snímek odhaduje z toho předchozího. Takhle Google DeepMind popisuje Genie 4, world model oznámený 27. října 2026. Proti loňskému Genie 3 přidává nativní zvuk, lepší fotorealismus, plynulejší pohyb postav a Gemini, které scénu průběžně hlídá. Zbytek článku je o tom, co z toho je nové a kde model pořád selhává.
Zvuk vzniká spolu s obrazem
Nativní audio je nejkonkrétnější novinka. DeepMind tvrdí, že Genie 4 je první world model, který generuje zvuk v reálném čase přímo se scénou: ruchy prostředí, hudbu i dialog, do kterého se dá zapojit. U starších systémů se audio dolepovalo zvlášť, takže dřív nebo později přestalo sedět na obraz. Jak dobře to sedí teď, nevím. DeepMind zveřejnil vybraná dema a sám řadí přesnost zvuku v reálném čase mezi otevřené problémy.
Gemini v roli režiséra
Pod Genie 4 nestojí jediný model. Vzhled a chování věcí ukotvuje Gemini Omni, aby scéna odpovídala tomu, jak svět vypadá a funguje; souvislost delších úseků řeší další modely z rodiny Gemini. Gemini 3.8 Flash se pak chová jako režisér. Rozdělí zadaný cíl na jednotlivé kroky a po každém zkontroluje, jestli se povedl. Obraz tedy nevzniká naslepo; model si průběžně kontroluje, co z něj vyšlo. Výzkumný ředitel Tejas Kulkarni řekl The AI Insider, že právě takhle budou world modely vypadat dál: jazykový model píše kód a text, simulátor dodává fyzikální realitu. Pro robotiku to má praktický dopad. Tentýž zdroj popisuje test, ve kterém model z řady Gemini Robotics (označuje ho jako Gemini 4 Argon) rozsekal úlohu na kroky a Genie 4 je v reálném čase odsimulovalo. Scénář se dá projít dřív, než se robot pustí do reálné dílny.
Čísla, která nikdo nepotvrdil
Tady začínají nejasnosti. Genie 3 z loňského srpna běželo v 720p při 24 fps a scénu udrželo konzistentní několik minut. U Genie 4 DeepMind rozlišení, snímkovou frekvenci ani délku session nezveřejnil. The AI Insider uvádí konzistenci „až dvě minuty, dvojnásobek Genie 3“, jenže Unite.AI u Genie 3 mluví o několika minutách. Jedno z těch čísel je špatně a z oficiálního blogu se to rozhodnout nedá. Co DeepMind přiznává sám: detaily obrazu a trvalost objektů se rozpadají při delších sezeních, po několika složitějších úpravách promptem a při průchodu scénou. Mezi otevřené problémy řadí složitější fyzikální interakce, čitelnost textu v obraze, prostorovou přesnost a dlouhodobou konzistenci. Inženýr Diego Rivas to pro The AI Insider shrnul tak, že jsou na začátku. Na dvouminutový záběr to tedy stačí, na hratelnou úroveň ne.
Kdo se k tomu dostane
Genie 4 běží jako research preview pro uzavřený okruh testerů; podle Digitimes jde o vybrané herní a filmové týmy. Dál má přijít do Project Genie pro předplatitele Google AI Ultra a k early access partnerům v Gemini API a AI Studiu, čekací listina je otevřená. Veškeré vygenerované video i zvuk nese vodoznak SynthID. Google celou věc rámuje jako krok k AGI a jako nástroj pro trénink robotů a agentů, pro film, žurnalistiku, hry a výrobu. Ta část o žurnalistice mi přijde nejmíň domyšlená. Model, který si po dvou minutách přestane pamatovat, kde stál sloup, není dobrý zdroj. Zajímavější je ten trénink agentů. Prostředí, které si agent vyrobí na zakázku a projde ho tisíckrát za cenu několika GPU hodin, je přesně to, co dnes v robotice chybí.
Zdroje
- Genie 4: A new generation of world simulation – Google DeepMind, 27. října 2026
- We’re announcing Genie 4, our new world model for real-time interactive simulation – blog.google, 27. října 2026
- Google DeepMind Releases Genie 4 World Model With Real-Time Editing and Audio – The AI Insider, 28. října 2026
- Google DeepMind Rolls Out Genie 4 World Model in Research Preview – Unite.AI, 27. října 2026
- Google launches Genie 4 world model for select game, film teams – Digitimes, 29. října 2026
