Segun MarkTechPost (AI/ML News), Google DeepMind ha presentado Genie 4 como una versión de prueba para evaluadores confiables. Este modelo de mundo simula escenarios interactivos en tiempo real, generando entornos visuales y auditivos de forma dinámica. A diferencia de herramientas que solo producen clips de video, Genie 4 responde a cada entrada del usuario en cada fotograma, permitiendo una interacción fluida. Los usuarios pueden navegar con controles por teclado y dirigir eventos mediante instrucciones sencillas en lenguaje común. La innovación clave radica en la arquitectura: dentro del bucle de simulación opera un modelo Gemini como agente de planificación, encargado de mantener la coherencia del entorno a lo largo del tiempo.
El sistema es nativamente multimodal, lo que significa que audio, música y diálogos de personajes se generan simultáneamente con las imágenes. Esta característica es una evolución directa respecto a Genie 3, lanzado en agosto de 2025, que operaba a 720p y 24 fotogramas por segundo, con una memoria visual extendida a un minuto. En Genie 4, la consistencia escénica alcanza hasta dos minutos, según informes de TechCrunch, doblando así el tiempo de coherencia respecto a su predecesor. La experiencia se ejecuta únicamente en plataformas de Google, a través de la aplicación web de Project Genie y el acceso preliminar a la API de Gemini.
La integración del modelo Gemini no es meramente funcional. Se divide en dos funciones: Gemini Omni encarga la apariencia y el comportamiento de cada escena, mientras que otros modelos del grupo Gemini gestionan la lógica interna que asegura que las acciones y cambios en el entorno sean lógicos y coherentes. Cuando el usuario introduce una instrucción, Gemini la interpreta y la adapta al contexto actual del mundo simulado. Este proceso permite que cada acción se relacione de forma natural con el entorno en desarrollo, sin necesidad de reconfiguraciones manuales.
Para el lector peruano, esta tecnología representa una pieza clave en el avance de sistemas autónomos. Aunque aún no está disponible para el público general, su desarrollo resalta la tendencia global hacia entornos digitales más reales, donde los agentes virtuales pueden actuar como si estuvieran en un mundo físico. En contextos como la educación, el diseño urbano o la formación de robots industriales, una herramienta que simula entornos con audio y dinámica real podría facilitar experimentos más cercanos a la experiencia humana. Aunque los límites actuales —como sesiones breves y desplazamiento de objetos tras múltiples modificaciones— indican que aún se necesitan ajustes, el avance de Genie 4 muestra una dirección clara: hacia simulaciones más inmersivas y autónomas, donde el modelo no solo ve, sino que también escucha y responde.