O Google DeepMind apresentou nesta o Genie 4, nova versão do seu modelo de geração de mundos interativos em tempo real. Segundo o anúncio oficial, a principal novidade é que o modelo agora é “nativamente multimodal”: além das imagens, ele gera ao mesmo tempo o áudio do mundo simulado, incluindo música, sons ambientes e diálogos interativos. De acordo com a empresa, é o primeiro modelo de mundo em tempo real do DeepMind a gerar áudio de forma nativa.
Por enquanto, o Genie 4 não está disponível ao público. O Google liberou o modelo como uma prévia de pesquisa para um grupo limitado de “testadores de confiança” e diz que ele chegará “em breve” aos assinantes do Google AI Ultra, por meio do Project Genie, e a parceiros com acesso antecipado à API do Gemini e ao Google AI Studio. A empresa abriu uma lista de espera para quem quiser testar o modelo no Project Genie, mas não deu datas nem preços.
O DeepMind diz que o Genie 4 avança em quatro áreas. A primeira é a possibilidade de alterar a simulação em tempo real com comandos em linguagem natural, como mudar o clima, mover a câmera ou incluir uma nova pessoa ou objeto na cena. Enquanto isso, o usuário navega pelo mundo com controles de teclado comuns. Segundo a empresa, o Gemini adapta o pedido ao contexto da cena e, entre um comando e outro, monitora o que está acontecendo para manter o mundo coerente.
A segunda é o realismo físico e humano. O modelo simula fenômenos como aerodinâmica e colisões, mas o DeepMind diz que o maior salto está nas pessoas, com personagens que se movem de forma natural, reagem ao ambiente e podem ser controlados em tempo real. A terceira é o áudio: cada mundo tem os sons do próprio cenário, do vento nas árvores às ondas na praia, e os personagens conversam e reagem às ações do usuário ou a eventos do mundo. “A verdadeira fronteira, porém, é a fala humana”, escreveu a empresa.
A quarta é a simulação de eventos complexos. Nela, o Gemini 3.8 Flash funciona como um “agente guia” durante a geração: observa a cena, divide um objetivo em etapas, confere a cada quadro se cada passo deu certo e ajusta o plano se o mundo mudar ou o usuário interferir. O DeepMind mostrou ainda um experimento com o Gemini 4 Argon em que o modelo planeja uma partida de damas jogada por um robô humanoide simulado, como exemplo de uso em pesquisa de robótica.
Entre as aplicações citadas pela empresa estão a pré-visualização de cenas para cineastas, a recriação de fotos históricas como ambientes explorados por fotojornalistas, a simulação de cenários para treinar robôs e agentes de IA e a prototipagem de jogos. Segundo o DeepMind, desenvolvedores de games que testaram o modelo o usaram para ir “de uma ideia inicial a um protótipo explorável em segundos”, testando estilos visuais e mecânicas “antes de escrever uma única linha de código” em um motor de jogo.
O próprio DeepMind reconhece que o modelo ainda tem limitações importantes. O Genie 4 mantém ambientes coerentes apenas em sessões curtas, de alguns minutos, e detalhes visuais e a permanência de objetos podem mudar com o tempo, sobretudo em simulações mais longas, depois de várias edições complexas ou quando o usuário se desloca muito pela cena. Interações físicas complexas, a precisão do áudio em tempo real, a geração de texto legível e a reprodução fiel de lugares reais seguem como áreas de pesquisa. Todo vídeo e áudio gerado pelo modelo terá a marca d’água digital SynthID, usada pelo Google para identificar conteúdo criado por IA.
A série Genie já mexeu com a indústria de games. No começo do ano, o lançamento do Project Genie, baseado no Genie 3, derrubou as ações de empresas de jogos e levou o CEO da Take-Two, Strauss Zelnick, a minimizar a ameaça da tecnologia; meses depois, ele chegou a chamar de “risível” a ideia de que a IA do Google possa criar jogos.
