Google DeepMind、リアルタイム3D世界モデル「Genie 4」を発表

Google DeepMindは、インタラクティブな3D世界をリアルタイムで生成するモデル「Genie 4」を発表した。音声や会話するキャラクターを含む仮想空間をその場で作り出す点が特徴で、単なる映像生成にとどまらず、ユーザーが働きかけられる「体験できる世界」を目指している。

AIが世界を「シミュレートする」という発想自体は新しくない。テキスト生成AI（LLM）が登場するより前から、環境を学習してその中でエージェント（自律的に動くAI）を訓練するアーキテクチャは研究されてきた。Genie 4はそうした古典的な設計思想を土台としつつ、現代の大規模AIモデルの能力を組み合わせた取り組みと位置づけられる。

技術的な仕組みとして、シミュレーションの一貫性を保つためにGeminiモデルがバックグラウンドで計画処理を担う構成が採られている。つまり、見える世界を生成するモデルと、その世界の流れを管理するモデルが役割を分担する形だ。このような複数モデルの協調は、近年のAI開発における一つの方向性でもある。

一方で、Google DeepMind自身も現段階の限界を認めている。Genie 4はあくまで「初期の研究モデル」であり、セッションが長くなるにつれて映像に視覚的な不整合が生じることが確認されている。長時間の利用ではキャラクターや環境の見た目が崩れるといった問題が残っており、実用化にはさらなる改善が必要な段階だ。

こうした制約はあるものの、Genie 4が示す方向性は業界的に注目に値する。ゲームや教育、シミュレーション訓練といった分野では、AIがリアルタイムで無限のインタラクティブ環境を生成できるようになれば、コンテンツ制作のコストや時間を大きく変える可能性がある。現時点では研究段階の発表であり、製品化のスケジュールは示されていない。

Genie 4の発表は、生成AIが「テキストや静止画を作る技術」から「動的な世界をその場で動かす技術」へと広がりつつある流れの中に位置する。音声や会話する登場人物を含んだ環境をリアルタイムで維持するという課題に正面から取り組んでいる点で、次世代の対話型AI環境に向けた研究の一歩という見方ができる。今後は長時間安定性の改善と、外部開発者への公開方針がどうなるかが注目点となる。