この記事は AIHubMix が作成・公開した記事です。Genie 4 は 2026年10月27日 時点で、Google DeepMind が trusted testers（信頼済みテスター）に限定して公開している研究プレビューであり、一般ユーザー向けの公開はまだ始まっていません。本記事は公開情報に基づく解説であり、実機での動作検証は含みません。
TL;DR
- 2026年10月27日、Google DeepMind が新世代の世界モデル Genie 4 を発表しました。 動画生成モデルは「完成したクリップ」を渡します。Genie 4 は中に入って操作できる世界で、キーボード操作に毎フレーム反応し、自然言語で再生中にシーンを書き換えられ、風・足音・音楽・セリフも後付けのサウンドトラックではなく、世界の生成と同時に鳴ります。
- 世界モデルとは何か：現在の世界の状態と、そこでの行動を与えると、次の世界がどう見え、どう鳴るかを予測し続けるニューラルネットワークです。物理コードもアセット制作もレベルデザインも不要な「誰も書かずに済んだゲームエンジン」のようなもので、動画生成とは難易度が別次元です。
- 遊べる世界には動画生成にない課題が立ちはだかります。 反応速度（インタラクティブな体験は 24fps〜60fps で回る）、世界が自分の見せたものを覚え続ける記憶（一貫性）、そして映像のリアリズムと無関係な因果的な物理。
- Genie 4 の新機能は4点。 自然言語によるリアルタイムの操縦、物理シナリオと自然に動く人物、ネイティブ音声、そして Gemini が推論を担う「ループ内の推論レイヤ」。4点目が Genie 1〜3 のレシピから離れる部分です。
- 動き続けられる時間は、報道ベースで約2分です。 Genie 2 で約1分、Genie 3 で数分を経ての倍加。解像度とフレームレートは未発表です。
- 今触れられる状態：trusted testers 向けの研究プレビュー。Google AI Ultra には Project Genie（現在は Genie 3 を実行中）経由で「coming soon」、Gemini API と Google AI Studio にも早期アクセスパートナーを予定しています。Project Genie のウェイトリストは受付中です。日程も価格も未公表です。
世界モデルとは何か
宣伝文句を剥がすと、世界モデルとは、ある世界の振る舞いをシミュレーションを続けられる程度に学習したニューラルネットワークです。世界の現在の状態と行動を与えると、次の世界がどう見えるか——そして今の Genie ではどう鳴るか——を予測します。その系統に十分な動画を与え続けると、出てくるのは「誰も書かなかったゲームエンジン」です。物理コードも、手作りのアセットも、レベルデザインもありません。物理の規則も、景色も、丘の上の雲までもが重みの中から生まれます。
着想には原典があります。2018年、David Ha と Jürgen Schmidhuber の論文 World Models は、小さなエージェントを「自分自身の環境の生成モデルの中で」訓練できることを示しました。自分の世界モデルが生み出す夢のような幻覚の中だけで訓練を受け、その後、実際のゲームへ転移したのです。これは今も最も簡潔な一行定義として生きています。世界モデルとは「練習場所」です。
企業は同じ着想から、2つの結論を引き出してきました。
- ピクセルで予測する。 OpenAI は 2024年2月、Video generation models as world simulators で、動画生成をスケールさせることが "a promising path towards building general purpose simulators of the physical world"（汎用的な物理世界シミュレータを構築する有望な道）になると論じました。実証として挙げられたのが、Sora が Minecraft のプレイを描画しながら、基本的な方策でプレイヤーを同時に操作した例です。動画を十分に良くすれば、世界の理解も付いてくる——という立場です。
- 抽象表現空間で予測する。 Yann LeCun の 2022年のポジションペーパー A Path Towards Autonomous Machine Intelligence は逆の立場です。世界モデルはピクセルではなく抽象的な表現空間で未来を予測すべきだという主張で、理由は2つあります。ピクセル単位の予測は、誰も検証できない細部にモデルの容量を使い切ってしまいやすいこと。そしてエージェントは「想像したフレーム」ではなく「想像した結果」を比較して計画するということです。
両陣営の目指すものは同じです。世界の中での失敗一つ一つに現実の値段を払わずに済む、エージェントを訓練できるほど深いシミュレータです。到達するまでの表現が違うだけです。DeepMind の Genie 系統はピクセル側に立っていますが、ねじれがあります。まずはピクセル、ただし操作できるピクセル——そして今は、その背後に言語モデルが立っています。
なぜ「遊べる世界」は動画より難しいのか
誤解しやすい分岐点を最初に置きます。世界モデルは「より大きい動画生成モデル」ではなく、動画生成とは難易度のオーダーが違う存在です。違いは構造的なものです。
| 項目 | 動画生成モデル | 世界モデル |
|---|---|---|
| 得られるもの | 完成したクリップ | 続いていく環境 |
| 中で行動する者 | 誰もいない。あなたなしで再生される | あなた。全フレームで操作する |
| 各フレームの由来 | プロンプトと1回のノイズ除去 | 直前の行動と世界の現在の状態 |
| 状態 | 保つものがない | 生成したものを世界が覚えている |
| 音声 | 完成品に後から編集で合わせる | 世界とライブで発生する |
| 終わり方 | クリップが終わる | 停めれば終わり。あるいはずれが広がるまで |
注記：この表は2つのモデルクラスの理想的な対比です。個々の製品は境界線の上にまたがります。Runway の GWM Worlds 2 と Decart の Oasis は、操作できるよう設計された動画型モデルです。
さて、遊べる世界モデルは、クリップ生成であれば回避できる問題を3つそもそも抱え込んでいます。
- 速度。 映画画質の動画モデルは1カットに数分かけられます。世界モデルに使えるのは1フレームあたり1秒にも満たない時間です。インタラクティブな体験は 24fps〜60fps で回り、それより遅い反応は錯覚を壊します。出力品質だけの問題ではなく、アーキテクチャの問題です。
- 記憶。 モデルが一度見せたものは、すべて覚えておく必要があります。目立つ建造物から離れて1分後に戻り、別の形で描かれていたら、世界はその瞬間に死にます。だから分野でモニタされる数値は一貫性（consistency）——1つの世界が整合した、記憶された体験をどれだけ長く保てるか——です。
- 因果的な物理。 リアルに見える映像は簡単にフェイクできます。原因と結果はそうはいきません。2025年のベンチマーク Physics-IQ は、日常の出来事の実写を一時停止し、Sora、Runway、Pika、Lumiere、Stable Video Diffusion、VideoPoet に続きを描かせて、実際に次に起きたことと突き合わせて採点しました。流体、光学、固体力学、磁気、熱力学にわたる評価で出た判定は、これらのモデルの物理理解が "severely limited, and unrelated to visual realism"（極めて限定的で、映像のリアリズムとは無関係）だった、というものです。世界モデルはこの針の穴を通す必要があります。通らなければ、中で訓練したものを外で信頼できません。
Genie 系譜：おもちゃから約2分まで（報道ベース）
| 世代 | 発表 | 与えるもの | 何を達成したか |
|---|---|---|---|
| Genie | 2024年2月 | 1枚の画像 | 遊べる2D世界。動画から行動を推論 |
| Genie 2 | 2024年12月 | 1枚の画像 | 物体の永続性を備えた遊べる3D世界。最長約1分 |
| Genie 3 | 2025年8月 | テキストプロンプト | 初のリアルタイム生成。720p・24fps、数分 |
| Genie 4 | 2026年10月27日 | テキストとイベントをライブで | ネイティブ音声。Gemini による「監督」がループに参加。約2分（報道ベース） |
注意：Genie 4 の解像度とフレームレートは未発表です。Genie 2 の約1分と Genie 3 の数値は DeepMind の発表によるもので、約2分は発売ブリーフィングを TechCrunch が読み取った数字です。
系譜の中の2点は、豆知識ではなく概念そのものを運んでいます。
最初の Genie は操作方法を自分で発明した。 2024年の Genie 論文 は、行動ラベルのない生のインターネット動画で訓練された110億パラメータの基盤世界モデルを記述しました。その上で、訓練映像の中で誰かが「左」や「ジャンプ」を操作したとき、ネットワークはフレーム間の変化から潜在行動空間（latent action space）を抽出できることを発見します。誰も行動にラベルを付けなかったのに、操作可能性が現れました。ここから分かるのは、世界モデルの「コントローラ」が設計者が選んだボタンを意味しないことです。意味するのは、モデルが推論できた行動——それだけです。DeepMind はそこから世代を重ねるごとに、アクションゲームの操作からテキストで操る世界イベントまで、推論できる行動を広げてきました。
一貫性こそが進歩を語る。 DeepMind の 2024年12月の発表によれば、Genie 2 は整合した世界を約1分保てました。Genie 3 は約1分前までの記憶を維持しながら、使い物になるインタラクションを数分へ延ばしました。Genie 4 は前述の TechCrunch 報道によれば、使える時間の地平を約2分へと倍加させました。この並びを問題の形として読むと分かります。インタラクティブな世界の難しい側は描画ではありません。インタラクティブな速度で、連続する数百の「記憶された状態」を整列させ続けることです。
Genie 4 の新機能：4点
DeepMind の発表は4つの能力を中心に据えています。「Genie 3 に追加が付いた」という読み方ではなく、一緒に読むのが正しい読み方です。
1. 自然言語でリアルタイムに操縦する。 天気を変える、カメラを移す、新しい人物や物体を出現させる——といった自然言語の編集が、シミュレーションにリアルタイムで効きます。Gemini は、その言葉を取り囲む実際のシーンに合わせて指示を整えてもいます。操作と操作の合間には Gemini が見張りと操縦を続けるため、世界はまとまりを保って進みます。肝心の技はシーンを描くことではなく、シーンの中の変化に応答することです。
2. 物理と人物。 Genie 4 は現実の物理シナリオ——DeepMind の例では空気力学と衝突——をシミュレートします。そして DeepMind いわく「最も劇的な跳躍」は人物です。自然に動き、環境に有機的に反応し、リアルタイムに操縦できるキャラクターです。
3. ネイティブ音声。 DeepMind 自身の説明では、Genie 4 は次の位置づけです。
"our first real-time world model to generate audio natively"
（DeepMind としても初めて、音声をネイティブに生成するリアルタイム世界モデル）
各場所は固有の環境音を持ちます。木々の風から浜辺の波まで。先端にあるのは発話です。キャラクターは、あなたの入力と世界の出来事に反応して、リアルタイムに会話します。完成品に吹き替えを後付けするのではありません。
4. ループ内の推論レイヤ。 4点目が Genie 1〜3 のレシピからの分岐です。DeepMind によれば、内部では Gemini Omni——Gemini 系のマルチモーダルモデルで、画像・音声・テキストを動画に変えるモデル——がシミュレーションを現実の見た目と振る舞いに固定し、ほかの Gemini モデルが推論を担います。具体的には、Gemini 3.8 Flash が「ループ内の案内役エージェント」として走り続けます。Genie 4 が描画するのと同時にシーンを観察し、目標をステップに分解し、入ってくるフレームを確認し、各ステップを検証し、世界が変わったりユーザーが割り込んだりしたときは計画を組み直します。
この推論レイヤには名前の付いた相手もあります。Gemini 4 Argon と Gemini Robotics との実験です。Argon はユーザーが指示したタスクをステップに分解し、そのステップを描画と並行してテキストのキャプションとして順次シミュレーションに挟み込みます。走らせている実行中のタスクを、途中も完成に向かって操縦し続ける形です。ここにあるのはロボティクスが世界モデルに求めるものへの扉です。実際のコストを使う前に、夢の中で練習する。多様に替わり、安全に危険で、繰り返し実行できる訓練環境が、再試行1回あたりほぼゼロの限界コストで得られます。
まだできないこと
DeepMind 自身が残したギャップを挙げており、この一覧は分野全体の課題リストとして読めます。
- 一貫性は短いセッションの内でしか保てません。視覚的な細部と物体の永続性はずれと流れを続けます。シミュレーションの実行が長くなるほど、複雑な編集を重ねるほど、シーン内を移動するほど顕著です。
- 複雑な物理相互作用、リアルタイム音声の精度、判読できるテキストの描画、空間的な精度、長期の一貫性は、いずれも現在も進行中の研究領域です。
少し長く言い換えると、永遠に一貫する生成世界は、まだ誰も確立できていません。World Labs の Marble は対抗するアーキテクチャで、同じ志向を反対側から迫ります。3D 世界を再構築して保持し、Gaussian splat やメッシュとして書き出せる世界です。そして DeepMind 自身が明かす次の一歩はハイブリッド型世界モデルです。1本の巨大なネットワークに世界の構造と論理の層も、見た目と音と応答のレンダリングも両方させず、言語モデル群に世界の構造と論理を担わせ、Genie にどう見え、どう鳴り、どう応答するかを描かせる分業です。Google のリサーチディレクター Tejas Kulkarni は、TechCrunch が伝えた発売ブリーフィングの中で、次のように述べています。
"What we'll increasingly see in the future are these hybrid world models, where you have a combination of Gemini writing code and text, and Genie ingesting that in real time and simulating reality at different levels of abstraction."
（今後増えていくのは、Gemini がコードやテキストを書き、Genie がそれをリアルタイムに取り込んで、抽象化の異なる水準で現実をシミュレートする、という組み合わせのハイブリッド型ワールドモデルです）
消費者に届く前の安全性に関わる事実を2つ。Genie 4 の生成する映像と音声には、すべて SynthID ウォーターマークが付きます。そして DeepMind はプレビュー公開の前に安全性評価を実施し、意図的に trusted testers から始めています。
誰が作っているのか、そして資金
Genie 4 は、すでに動き出している地図の中に着地しました。先の2つの学派に合わせた粗い地図です。
- Decart の Oasis（2024年10月、チップスタートアップ Etched と共同開発）は「小さくても遊べる」ことを業界に証明しました。ローカル実行用にオープンソースされた5億パラメータのモデルと、より大きなチェックポイントを走らせるホステッドデモで、NVIDIA H100 の上で 360p・20fps の Minecraft 型世界を即興生成します。ゲームエンジンはどこにも入っていません。
- World Labs の Marble は空間知能（spatial intelligence）——Fei-Fei Li の会社が世界モデルへの賭けに使う自分の言葉です。テキスト・画像・動画から持続的で移動可能な3D世界を作り、時間制限なしに眺められ、Gaussian splat、メッシュ、動画として書き出せます。AMD は 2026年9月28日、World Labs を82億ドルで買収すると発表しました。
- NVIDIA Cosmos は産業用の枝です。ロボットと自動運転車のための合成訓練データを生成し、未来をシミュレートするための公開の世界基盤モデルのチェックポイント群です。同じ「現実の前に夢を見る」論理を、カメラだけでなくアクチュエータを備えた機械にも適用したものです。NVIDIA の「physical AI」スタック（Cosmos に Isaac GR00T のロボット基盤モデルを加えたもの）は、DeepMind のロボティクス実験と同じ筋書きで売り込まれています。
- Runway の GWM Worlds 2 は Genie 4 の数か月前に出荷されました。動画生成で育った会社が作る、音声付きの遊べる生成世界です。ピクセル学派からの逆方向の証明として、動画モデルと世界モデルの境界が反対側からもぼやけ始めています。
そしてその地図の外側には、資金がついています。ウォール・ストリート・ジャーナルの報道では、Amazon が約70億ドルで Decart を買収する交渉を進めています。AMD は前述のとおり World Labs を82億ドルで買収すると発表しました。Rivian は 2026年10月22日、世界モデルスタートアップ Third Dimension を買収し、シミュレーションを社内に取り込んで自動運転のテストに使う方針を発表しました。ゲームスタジオも、ロボット開発者も、自動車メーカーも、同じものを買いに来ています。訓練環境としての世界です。Google がこの領域を追い続ける理由も、報道の約2分という上限がマーケティングのコピーではなく研究目標の意図を持つ理由も、ここにあります。シミュレータは教室としてまとまり続けるからこそ使えるのです。
世界モデルという賭け
DeepMind はこの一連の研究を "a crucial aspect of building AGI"（AGI を構築する上で重要な側面）と位置づけています。その根底にある主張はこうです。世界の中で行動する知能は、ラベルからではなく原因から学ばなければならない。そして操作可能で、無限に多様で、安全に危険な世界は、スケールする唯一の教室です。これが賭けの強いバージョンであり、率直に言って、賭けです。ピクセル単位のシミュレーションが身体性知能の基盤になるのか、それとも LeCun 学派の抽象的な潜在表現が負担の一部を担う基盤の一つに留まるのか、まだ誰も証明できていません。
Genie 4 について事実として言える最初の点は、公式に防衛できる「初」です。DeepMind 自身の説明によれば、音声をネイティブに生成する最初のリアルタイム世界モデルです。それ以上の踏み込んだ読み——この忠実度で、話しかけられて話しかけ返してくる最初のインタラクティブ世界であり、推論モデルがレンダラのループを共有した公開事例としていちばん進んでいる——は、決着した事実ではなく論点として提示するのが正確です。とはいえ、世界モデルという言葉が、その言葉の両半分——ピクセルと、その中を動く心——を両方意味する地点に、分野がいちばん近づいた場面であることは確かです。
まとめ
- Genie 4（Google DeepMind、2026年10月27日発表）は動画生成の延長線ではなく、中に入って操作できる世界をリアルタイムに生成する世界モデルです。
- 世界モデルは「状態と行動から次の状態を予測し続ける」モデルであり、速度・記憶（一貫性）・因果的な物理という独自の課題を抱えます。映像のリアリズムが高くても物理理解は担保されません。
- Genie 4 の4つの新機能は、自然言語によるリアルタイム操縦、物理と人物、ネイティブ音声、Gemini によるループ内の推論レイヤです。
- 一貫して保てる長さは報道ベースで約2分。確実に保障されるのは短いセッション内のみで、細部のずれ、複雑な物理、文字の描画、空間精度、長期の一貫性が研究の現在地です。
- DeepMind の次の一歩はハイブリッド型世界モデル。その周囲では、ゲーム・ロボット・自動車の各業界が訓練環境としての世界を買いに来ています。
Genie 4 自体はまだ誰も触れられませんが、Project Genie のウェイトリストは受付中です。一般向けの公開を待つのであれば、まずウェイトリストに登録しておくのが確実です。
参考
- Genie 4: A new generation of world simulation（Google DeepMind、2026年10月27日）
- Genie 3: A new frontier for world models（Google DeepMind、2025年8月5日）
- Genie 2: A large-scale foundation world model（Google DeepMind、2024年12月4日）
- Google's Genie 4 world model adds audio, more realistic worlds, and real-time steering（TechCrunch、2026年10月27日）
- Generating Bigger and Better Worlds / Marble: A Multimodal World Model（World Labs）
- NVIDIA and Global Robotics Leaders Take Physical AI to the Real World（NVIDIA、2026年3月16日）