Einem Film ist es gleich, wohin Sie schauen. Jedes Bild stand fest, bevor Sie sich hingesetzt haben, und wenn Sie den Kopf drehen, läuft die Leinwand ohne Sie weiter. Das neueste System von Google DeepMind funktioniert umgekehrt. Solange Sie sich nicht bewegen, gibt es den nächsten Moment seiner Welt nicht. Sie drücken eine Taste, um vorwärtszugehen, und die Strasse vor Ihnen wird im Gehen erfunden, Ihnen entgegen.
Dieses System heisst Genie 4 und wurde am 27. Oktober als Forschungsvorschau angekündigt. Sie beschreiben einen Ort in einem Satz, und er wird zu einem Ort, an dem Sie umhergehen können, mit eigenem Wetter, eigenen Menschen und, zum ersten Mal in der Reihe, eigenem Ton. Ich möchte mir dafür Zeit nehmen, denn es ist wirklich seltsam, und die Behauptungen darum herum sind gross.
Was ein Weltmodell ist
Die meisten KI-Systeme, denen Sie bisher begegnet sind, handeln mit Wörtern: Sie fragen, sie antworten. Ein Weltmodell handelt mit Folgen. In seinem Beitrag zur Vorgängerversion Genie 3 beschreibt DeepMind solche Systeme als Modelle, die ein Verständnis der Welt nutzen, um Teile davon zu simulieren, und so vorhersagen können, wie sich eine Umgebung entwickelt und wie Handlungen sie verändern.
Eine einfache Art, sich das vorzustellen: Sie betreiben bereits eines. Wenn Sie nach einer Tasse greifen, wissen Sie ungefähr, was passiert, wenn Sie sie umstossen, noch bevor Sie sie umstossen. Niemand hat Ihnen die Gleichungen beigebracht. Sie haben sich aus Jahren des Zuschauens ein funktionierendes Modell der Welt gebaut und befragen es ständig, ohne es zu bemerken. Genie tut etwas Ähnliches und dann etwas, das Sie nicht können: Es zeigt Ihnen seine Vorhersage als bewegte Bilder und macht weiter, solange Sie weiter handeln.
Das unterscheidet es von den Videogeneratoren, die Sie vielleicht schon gesehen haben. Ein Videowerkzeug erzeugt einen Clip und übergibt ihn. Ein Weltmodell muss bei Ihnen bleiben und auf jeden Zug antworten, sobald er kommt.
Was Genie 4 kann
Laut der Ankündigung von DeepMind, geschrieben von Raia Hadsell, Diego Rivas und Hang Qi, bewegen Sie sich mit gewöhnlicher Tastatur und Maus, und Sie können Anweisungen tippen, während die Welt läuft: das Wetter ändern, die Kamera bewegen, eine Person oder einen Gegenstand hinzufügen. Gemini, das Sprachmodell von Google, deutet diese Prompts und arbeitet sie in die Szene ein. Der Beitrag verspricht schärferen Fotorealismus und flüssigere Bewegungen, etwas simulierte Physik wie Aerodynamik und Zusammenstösse sowie Figuren, die auf ihre Umgebung reagieren.
Neu ist der Ton. Genie 4 ist nach DeepMinds Worten sein erstes Echtzeit-Weltmodell, das Audio nativ erzeugt. Das heisst: Das Rascheln von Laub und das Tosen einer Menge entstehen zusammen mit dem Bild, statt nachträglich darübergelegt zu werden. TechCrunch berichtet, dass dazu auch Musik und interaktive Dialoge gehören.
Dazu kommt ein unauffälligeres Stück Mechanik. Ein Gemini-Modell übernimmt die Rolle dessen, was The Batch einen Regisseur nennt: Es zerlegt ein Ziel in Schritte und prüft dann bei jedem neuen Bild, ob der Schritt stattgefunden hat. Behalten Sie dieses Detail im Kopf. Es wird später wichtig.
Wozu man so etwas will
Die erste Antwort sind Roboter. Einer Maschine beizubringen, in der physischen Welt zu handeln, ist langsam, teuer und gelegentlich zerstörerisch, deshalb proben Forschende schon lange zuerst in der Simulation. DeepMind beschreibt erste Arbeiten mit seinem Team Gemini Robotics, darunter einen simulierten humanoiden Roboter, der Dame spielt, und seine Modellseite nennt das Ergebnis einen unendlichen Spielplatz für Robotiksimulationen. Auch Software-Agenten könnten dort üben.
Die zweite Antwort ist kreativ. DeepMind zählt die Previsualisierung für Filmschaffende (die grobe Skizze einer Szene, bevor jemand eine Kulisse baut), Prototypen für Spiele und Konzeptdesign zu den Anwendungen. Rivas sagte TechCrunch, die Echtzeit helfe am meisten beim schnellen Ideenfinden und beim Storyboarding, wo es darauf ankommt, im kreativen Fluss zu bleiben.
Die dritte Antwort ist die grosse. DeepMinds Modellseite nennt die Simulation von Welten einen entscheidenden Zwischenschritt auf dem Weg zur AGI, der breiten, menschenähnlichen Intelligenz, der das Fachgebiet seit Langem nachjagt. Die Überlegung dahinter: Ein Geist, der sich vorstellen kann, was als Nächstes geschieht, bevor er handelt, hat etwas, das einem Geist fehlt, der nur mit Wörtern umgeht. Das ist ein ernsthaftes Argument. Vorerst bleibt es ein Argument und kein Ergebnis.
Was es noch nicht kann
Hier ist die ehrliche Liste lang, und es spricht für DeepMind, dass vieles davon von DeepMind selbst stammt. Seine Seite sagt, dass sich visuelle Details und die Beständigkeit von Objekten mit der Zeit verschieben oder abdriften können, besonders bei längeren Durchläufen oder nach mehreren Änderungen. Lesbarer Text erscheint meist nur, wenn man ihn verlangt hat. Reale Orte lassen sich nicht genau nachbilden, an der Genauigkeit des Tons wird noch gearbeitet, und das Zusammenspiel mehrerer unabhängiger Agenten bleibt ein offenes Forschungsproblem.
Wie lange eine Welt zusammenhält, ist weniger klar. DeepMinds Seite spricht von einigen Minuten ununterbrochener Interaktion; TechCrunch berichtet von Szenen, die bis zu zwei Minuten lang stimmig bleiben. So oder so sind das kurze Besuche.
Es gibt keinen technischen Bericht, und Google hat keine quantitativen Auswertungen veröffentlicht, nur Vorführungen, die es selbst ausgewählt hat. The Batch hat sich eine davon genau angesehen: Eine Marmorbüste fällt auf eine Wassermelone und kommt sauber auf ihrem Sockel zur Ruhe, wo sie eigentlich hätte herunterkippen müssen. Die Redaktion fragte sich, ob der Gemini-Regisseur, der den Erfolg jedes Schritts überprüft, die Welt in Richtung des gewünschten Ergebnisses gestupst hatte. Für einen Robotersimulator ist das die wichtigste Frage. Eine Maschine lernt aus den Plänen, die scheitern, und eine Welt, die jedem Plan still zum Erfolg verhilft, lehrt sie nichts über das Fallen.
Und schliesslich kann es fast niemand ausprobieren. Genie 4 steht nur ausgewählten Testern offen. Google sagt, der Zugang komme bald für Abonnenten von Google AI Ultra über Project Genie sowie für frühe Partner der Gemini API und von Google AI Studio, und es gibt eine Warteliste. Alles, was es erzeugt, wird SynthID tragen, Googles unsichtbares Wasserzeichen.
Mich interessiert weniger, ob Genie 4 eine überzeugende Welt bauen kann, als ob es eine bauen kann, die Nein sagt. Eine Welt, aus der sich lernen lässt, muss auch zulassen, dass Sie die Tasse fallen lassen.
Quellen
Genie 4: A new generation of world simulation, Google DeepMind
Genie 3: A new frontier for world models, Google DeepMind
Google's Genie 4 world model adds audio, more realistic worlds, and real-time steering, TechCrunch
World Models Become Robot Playgrounds, The Batch (DeepLearning.AI)



