Google acaba de lanzar Genie 4, y esos 120 segundos de imágenes me mostraron el futuro de la IA
Este mundo solo puede durar 120 segundos, tras los cuales todo comienza a colapsar. Sin embargo, durante esos dos minutos, puedes cambiar el clima, invocar dragones o incluso hacer que una ciudad surja de la tierra.
Google DeepMind acaba de lanzar oficialmente su modelo de mundo de próxima generación, Genie 4, lo que supone otro paso importante para los mundos virtuales generados por IA hacia la realidad.
En comparación con su predecesor, Genie 4 no solo hace que los gráficos sean más realistas, sino que también genera sonido en tiempo real, simula las leyes físicas e incluso permite a los usuarios entrar directamente en el mundo creado por la IA, cambiar el clima, añadir personajes y hablar con personajes virtuales en cualquier momento.
Más importante aún, Google también está incorporando Gemini a la simulación del mundo virtual, lo que permite que un modelo de lenguaje complejo planifique acciones y que Genie 4 genere el entorno en tiempo real. Los vídeos con IA, que antes solo podían visualizarse, ahora se transforman en un mundo virtual que puede explorarse libremente y con el que se puede interactuar continuamente.
El siguiente paso para el vídeo con IA es un mundo al que podamos acceder físicamente.
En 2024, Google DeepMind lanzó Genie 1, con el objetivo de aprender la relación entre las acciones y los cambios ambientales a partir de vídeos. Posteriormente, Genie 2 amplió sus capacidades a entornos 3D explorables, y Genie 3, lanzado en 2025, permitió la generación e interacción en tiempo real.
Ahora, Genie 4 ha sido actualizado nuevamente en términos de realismo, simulación física e interactividad, y la duración de una sola simulación se ha extendido de aproximadamente un minuto a dos minutos.
Según una demostración publicada por Google, los usuarios pueden generar un mundo virtual explorable simplemente introduciendo un texto, controlar el movimiento de los personajes y ajustar la cámara mediante el teclado, e incluso seguir introduciendo indicaciones durante el proceso para cambiar toda la escena.
Por ejemplo, en una pequeña plataforma que flota sobre el lago, un hombre con un traje marrón toca el saxofón. A su alrededor se ven las brumosas aguas del lago, bosques y plantas que se mecen con el viento.
Los usuarios pueden mover libremente la cámara para observar los movimientos del artista y los cambios en la superficie del lago, e incluso modificar temporalmente el clima, añadir personajes u objetos. Gemini interpretará las instrucciones en función del entorno actual, lo que ayudará a Genie 4 a mantener la continuidad de la escena.
Ethan Morlick, profesor de Wharton que tuvo acceso anticipado a Genie 4, creó una ciudad virtual en un minuto con tan solo la frase "una ciudad neogótica brutalista habitada por robots y caballos", y luego añadió un dragón y una nutria amigable como personajes no jugables (NPC) en tiempo real.
Por otro lado, Justin Moore, inversor de a16z, también presentó una demostración que, en tono de broma, denominó "GTA Waymo", que permite a los usuarios explorar libremente un entorno urbano generado completamente en tiempo real por IA, con interacción directa durante todo el proceso.
Moore también demostró un mundo virtual creado únicamente mediante palabras clave para describir el entorno y los personajes, donde los usuarios podían seguir dando órdenes, cambiando de escena y escuchando audio nativo generado en sincronía con el mundo a medida que avanzaba el juego.
Estas experiencias del mundo real también demuestran que lo que hace especial a Genie 4 es que todo el proceso no requiere un mapa 3D prefabricado ni representaciones de escenas fijas; la IA generará continuamente lo que sucede a continuación en función de las acciones del usuario.
En cuanto a las simulaciones físicas, Google también mostró ejemplos como sandías impactadas, semillas de arce cayendo del aire y estaciones de tren rurales abarrotadas, demostrando colisiones, aerodinámica, gravedad y el complejo comportamiento de las multitudes.
En concreto, Genie 4 permite que los personajes virtuales se muevan de forma más natural y reaccionen a los cambios del entorno, y los usuarios también pueden guiar el comportamiento del personaje en tiempo real.
Anteriormente, los vídeos generados por IA se entregaban como un evento único, y los usuarios solo podían ver el resultado final. Ahora, Genie 4 intenta convertir cada movimiento y cada acción en una nueva variable que influye en el desarrollo del mundo virtual.
El mundo generado por la IA finalmente tiene sonido.
Otra mejora significativa de Genie 4 es su primer soporte para la generación de audio nativo.
Anteriormente, la serie Genie se centraba principalmente en los efectos visuales y la interacción por movimiento. Ahora, Genie 4 puede generar sonidos ambientales, música y diálogos de personajes en tiempo real mientras genera el mundo.
Por ejemplo, se puede oír el sonido de las olas en la playa, el sonido del viento en el bosque, y cuando se cabalga sobre un dragón gigante a través de un valle, también se puede oír el aleteo, el aullido del viento y la actividad volcánica lejana.
Más concretamente, Genie 4 comenzó a dotar a los personajes virtuales de la capacidad de conversar en tiempo real.
En los juegos tradicionales, los personajes no jugables (NPC) suelen basarse en diálogos y lógica de comportamiento prediseñados, mientras que Genie 4 puede generar dinámicamente el lenguaje y las reacciones de los personajes en función de la entrada del usuario y los eventos de la escena.
Esto significa que, en el futuro, los jugadores tendrán la oportunidad de entrar en un mundo creado por IA, interactuar libremente con los personajes e incluso cambiar el curso de la historia mediante sus propias acciones.
Sin embargo, Genie 4 todavía presenta problemas con la precisión del audio y la consistencia a largo plazo, y aún está bastante lejos de poder soportar realmente grandes juegos de mundo abierto.
Géminis también está dirigiendo, y la IA está empezando a comprender cómo funciona el mundo.
Si los efectos visuales y sonoros hicieron que Genie 4 fuera más realista, la incorporación de Gemini dotó al modelo del mundo de capacidades complejas de razonamiento y planificación.
Según Google DeepMind, Genie 4 integra múltiples funcionalidades de la familia Gemini.
Entre ellos, Gemini Omni proporciona la apariencia y el comportamiento del mundo real como base para la simulación, mientras que Gemini 3.8 Flash actúa como un agente guía en tiempo real, observando continuamente las imágenes generadas, dividiendo la tarea en múltiples pasos y evaluando si cada paso se realiza correctamente.
Genie 4 se encarga de generar el mundo virtual, mientras que Gemini se encarga de planificar lo que debería suceder a continuación.
Por ejemplo, si un usuario le pide al robot que complete una tarea compleja, Gemini puede dividir la tarea en varias acciones, observar el rendimiento del robot en un entorno simulado y ajustar el siguiente paso en función de los resultados.
Aunque el usuario cambie sus requisitos o el entorno circundante, Gemini puede modificar el plan de acción en tiempo real.
Google también presentó un experimento de investigación que combinaba Gemini 4 Argon y Genie 4.
En la demostración, el Gemini 4 Argon dividió la tarea en pasos consecutivos, mientras que el Genie 4 simuló en tiempo real el proceso de juego a las damas del robot humanoide Apollo de Apptronik.
En comparación con la simple generación de un vídeo de un robot jugando al ajedrez, esta combinación pone mayor énfasis en la simulación continua y el ajuste del proceso de ejecución de la tarea.
Esta capacidad es invaluable para el entrenamiento de robots.
El entrenamiento de robots en entornos reales requiere equipos, instalaciones y experimentos complejos, y algunos escenarios peligrosos o costosos son difíciles de probar repetidamente. Si un modelo del mundo puede simular con precisión el entorno físico, los robots pueden practicar previamente en un mundo virtual y luego transferir las habilidades aprendidas a la realidad.
Tejas Kulkarni, director de investigación de Google DeepMind, también afirmó que una importante línea de investigación futura son los modelos híbridos del mundo, que combinan las capacidades de razonamiento estructurado de los modelos de lenguaje con las capacidades de simulación sensorial de los modelos del mundo.
Géminis puede encargarse de planificar y organizar eventos complejos, mientras que Genio traduce esos planes en elementos visuales, sonidos y entornos físicos que cambian en tiempo real.
La IA está empezando a intentar predecir y verificar las posibles consecuencias de las acciones en el mundo que crea.
Las ambiciones del modelo mundial van mucho más allá de los juegos.
Actualmente, Google DeepMind ha invitado a evaluadores de sectores como el cine, los videojuegos, las noticias, la educación y la ingeniería a explorar las aplicaciones prácticas de Genie 4.
Una dirección particularmente imaginativa es la del cine.
En el pasado, cuando los directores querían verificar tomas complejas, normalmente necesitaban crear guiones gráficos, construir escenas en 3D o hacer que los actores ensayaran con antelación.
Con Genie 4, los creadores pueden generar una escena virtual explorable mediante texto, acceder directamente a ella para ajustar los ángulos de la cámara, la iluminación, los movimientos de los personajes y los diálogos, y probar rápidamente diferentes métodos de grabación.
Para los desarrolladores de videojuegos, Genie 4 también puede servir como herramienta de prototipado rápido. Pueden crear entornos de juego mediante indicaciones, probar directamente el estilo artístico, la representación de materiales y la jugabilidad interactiva básica, y luego decidir si invertir recursos en el desarrollo formal.
También existen aplicaciones en los campos del periodismo y la educación.
Google señaló que algunos fotoperiodistas intentan transformar fotografías históricas bidimensionales en escenas dinámicas y explorables, o simular el desarrollo de eventos como inundaciones e incendios forestales. Sin embargo, las imágenes inferidas por IA a partir de fotografías históricas no pueden considerarse reconstrucciones exactas de hechos históricos.
En el ámbito empresarial, los modelos del mundo real también pueden utilizarse para la simulación industrial, la investigación y el desarrollo de robots, y las pruebas en entornos complejos, lo que reduce el tiempo y el coste necesarios para algunos experimentos del mundo real.
A medida que las perspectivas de aplicación se vuelven más claras, los modelos mundiales se han convertido en un nuevo campo de competencia para los gigantes de la IA.
Además de Google, Runway ha lanzado GWM Worlds 2, que admite audio e interacción en tiempo real, mientras que World Labs, fundada por Fei-Fei Li, ha optado por un camino diferente de inteligencia espacial, haciendo hincapié en la reconstrucción, la edición y la coherencia a largo plazo de entornos tridimensionales.
En septiembre de este año, AMD anunció la adquisición de World Labs por aproximadamente 8.200 millones de dólares, lo que demuestra que el valor de World Model se ha extendido desde la generación de contenido hasta la robótica y la infraestructura informática de IA.
Un mundo de tan solo 120 segundos, pero que nos lleva al futuro de la IA.
A pesar de las impresionantes capacidades demostradas por el Genie 4, aún le queda un largo camino por recorrer antes de alcanzar un mundo digital verdaderamente completo.
Actualmente, el modelo puede mantener una simulación interactiva con una duración aproximada de dos minutos. A medida que aumenta el tiempo de simulación, los detalles de los objetos pueden cambiar y pueden aparecer inconsistencias en la escena.
Si los usuarios modifican continuamente las indicaciones o exploran un entorno más amplio, el modelo puede perder gradualmente su capacidad para captar con precisión la información inicial de la escena. Además, es necesario mejorar las interacciones físicas complejas, la precisión espacial, la generación de audio y la legibilidad del texto dentro de las imágenes.
Actualmente, Genie 4 está disponible para su revisión por pares para un grupo selecto de evaluadores invitados. En el futuro, estará disponible para los suscriptores de Google AI Ultra a través de Project Genie y, posteriormente, para los primeros socios de la API Gemini y Google AI Studio.
Si repasamos la evolución de la IA generativa en los últimos años, desde el texto hasta las imágenes, pasando por las imágenes y los vídeos, y ahora llegando a entornos virtuales que se pueden explorar en tiempo real y que cuentan con sonido y comportamiento humano, los límites del contenido generado por IA se expanden constantemente.
Lo verdaderamente destacable de Genie 4 es la profunda integración del modelo del mundo con las capacidades de razonamiento del extenso modelo de lenguaje.
Antes, la IA podía predecir lo que una persona vería al abrir una puerta, e incluso generar un vídeo del momento. En el futuro, también deberá comprender por qué se abre la puerta, cómo reaccionará la persona que la abre y cuáles serán las consecuencias de las acciones subsiguientes.
Para los agentes de IA y los robots que se adentran en el mundo real, la capacidad de predecir las consecuencias de las acciones y probarlas repetidamente en entornos virtuales puede ser más importante que generar un vídeo bonito.
Mientras que los grandes modelos de lenguaje permiten que la IA piense, los modelos del mundo intentan ayudar a la IA a comprender las consecuencias de sus acciones.
Quizás una de las maneras importantes para que la IA comprenda el mundo real en el futuro sea aprender primero cómo funciona la realidad estudiando repetidamente los innumerables mundos que crea.