Google lanza Genie 4: mundos interactivos con sonido y dirección instantánea

Google DeepMind ha anunciado el lanzamiento de su nuevo modelo de generación de mundos Genie 4 en forma de vista previa de investigación, un paso que refleja la aceleración de la competencia en una categoría emergente de sistemas de inteligencia artificial conocida como «modelos de mundos» (World Models). El nuevo modelo no se limita a producir escenas visuales de alto realismo, sino que añade una capa sonora sincronizada y la capacidad de modificar el entorno mientras está en funcionamiento mediante comandos de texto directos.

¿Qué son los modelos de mundos y por qué interesan a las empresas?

A diferencia de los modelos de generación de vídeo, que producen un clip acabado y cerrado, los modelos de mundos buscan construir un entorno explorable e interactivo en tiempo real, de modo que la escena responda al movimiento y a las órdenes del usuario. Esta diferencia fundamental los convierte en candidatos para usos que van más allá del entretenimiento, como el entrenamiento de robots y la prueba de su comportamiento en entornos simulados antes de trasladarlos al mundo físico.

El mercado parece haber captado rápidamente este valor, pues el sector vive una oleada de fusiones y adquisiciones: AMD se dispone a adquirir World Labs, fundada por la investigadora Fei-Fei Li; Amazon mantiene conversaciones para comprar Decart; y Rivian ha adquirido Third Dimension con el fin de desarrollar sus capacidades internas de simulación para probar la conducción autónoma. Previamente, Runway había lanzado la segunda generación de su modelo de mundos interactivos con generación de audio integrada.

Lo más destacado de Genie 4

En comparación con la versión anterior, Genie 3, presentada hace aproximadamente un año, el nuevo modelo llega con mejoras tangibles:

• Audio en tiempo real: generación de música, efectos ambientales y diálogos interactivos acordes con la escena generada.
• Edición libre durante la ejecución: el usuario puede escribir un comando para cambiar el estado del tiempo, el ángulo de la cámara o añadir personas y objetos nuevos sin detener la simulación.
• Mayor estabilidad de la escena: mantiene la coherencia del entorno hasta dos minutos, es decir, el doble del límite de la versión anterior.
• Física más precisa y personajes más humanos: mejora en la simulación de las leyes físicas y en el movimiento de los personajes.
• Mayor realismo visual: escenas más cercanas a la fotografía que en cualquier versión anterior.

Una integración más profunda con Gemini

Uno de los cambios más importantes es que el modelo Gemini funciona ahora de forma mucho más estrecha con Genie 4, desempeñando el papel de «director» que planifica los pasos y revisa los fotogramas, mientras Genie se encarga de producir la parte visual. En un experimento de investigación vinculado al proyecto «Gemini Robotics», una tarea se descompuso en pasos secuenciales mediante un modelo de la familia Gemini y, a continuación, esos pasos se simularon al instante dentro de Genie 4: una vía que abre la puerta a probar virtualmente el comportamiento de los robots antes de ejecutarlo en la práctica.

Tejas Kulkarni, director de investigación en Google, considera que el futuro apunta hacia «modelos de mundos híbridos» que combinen la capacidad de Gemini para escribir código y textos con la capacidad de Genie para asimilarlos de inmediato y simular la realidad con distintos niveles de abstracción.

Usos previstos: de los videojuegos a los prototipos cinematográficos

Google habla de tres grandes ámbitos comerciales: los videojuegos, el aprendizaje interactivo y la robótica. Entre los ejemplos conceptuales de aprendizaje interactivo figura el de entrar en una pintura que representa un acontecimiento histórico y conversar con sus personajes sobre dicho suceso.

Sin embargo, los primeros evaluadores con acceso anticipado señalaron otro uso que no estaba previsto: la creación de prototipos de obras cinematográficas. Diego Rivas, ingeniero de Google DeepMind, explica que el valor de trabajar en tiempo real se aprecia con claridad en las fases de generación de ideas y de elaboración de guiones gráficos (storyboarding), donde el creador necesita mantener el flujo de sus ideas sin esperar el procesamiento. Añade que los usuarios podrían apoyarse más adelante en modelos multimodales para convertir estos prototipos en activos creativos acabados, aunque esas capacidades aún están relativamente lejos.

Limitaciones reconocidas con franqueza

Google no ha ocultado que el modelo sigue en sus primeras etapas y que los rasgos de la experiencia final del producto aún no están definidos. Entre las carencias reconocidas destaca que los detalles y los objetos pueden «desviarse» de forma gradual cuanto más se prolonga la simulación, además de que garantizar la precisión del audio y la claridad de los textos que aparecen dentro del mundo generado sigue siendo un desafío sin resolver.

¿Cómo se puede acceder?

Genie 4 está disponible actualmente como vista previa de investigación para evaluadores de confianza, y en las próximas semanas se habilitará para los suscriptores del plan Google AI Ultra a través de la herramienta «Project Genie», destinada a generar mundos interactivos a partir de comandos de texto o imágenes, además de para los socios de acceso anticipado en la interfaz Gemini API y la plataforma Google AI Studio.

En conclusión, Genie 4 no es tanto un producto listo para un uso masivo como una señal clara de la dirección que toma la industria: el paso de la generación de contenido estático a la construcción de entornos vivos con los que se puede interactuar y a los que se puede dirigir, una capacidad que será la piedra angular del entrenamiento de los sistemas inteligentes corporeizados en los próximos años.

✦ بقلم فريق دروب أيديا