Google DeepMind stellt Genie 4 vor: Erstes Weltmodell mit synchronem Ton und Entwickler-API

Google DeepMind hat am Dienstagabend die vierte Generation seiner Simulations-KI vorgestellt. Was mit Project Genie als pixelige Experimentierwelt begann und später mit Genie 3 auf reale Straßenzüge ausgedehnt wurde, erreicht mit Genie 4 eine neue Qualitätsstufe: Das Modell berechnet fotorealistische dreidimensionale Welten nicht nur in Echtzeit auf Tastendruck, sondern vertont sie gleichzeitig mit nativer Umgebungsakustik und lebendigen Dialogen. Zudem öffnet Google die Technologie erstmals für Entwickler über eine Programmierschnittstelle (API).

Die Simulation von Raum, Bewegung und Kausalität gilt in der KI-Forschung als einer der wichtigsten Bausteine auf dem Weg zu universeller künstlicher Intelligenz (AGI). Während Sprachmodelle Zusammenhänge über Textmuster erlernen, müssen Weltmodelle wie Genie 4 die physikalischen Gesetzmäßigkeiten unserer Umwelt verinnerlichen - wie Licht auf polierte Oberflächen fällt, wie sich Stoffe im Wind bauschen oder wie Menschen auf spontane Ansprache reagieren.

Gemini im Regelkreis: Kausalität durch logische Aufsicht

Die größte architektonische Neuerung von Genie 4 liegt im Zusammenspiel zweier unterschiedlicher Modellklassen. Während Gemini Omni Flash als visuelles und physikalisches Fundament dient, übernimmt Gemini 3.8 Flash die Rolle eines kontinuierlichen Beobachters und Regisseurs („Agent in the Loop“).

Bisherige neuronale Video- und Weltmodelle litten häufig unter logischen Inkonsistenzen: Objekte verschwanden, sobald die virtuelle Kamera wegdrehte, oder Handlungen führten zu unplausiblen physikalischen Sprüngen. In Genie 4 analysiert Gemini kontinuierlich die generierten Einzelbilder in Echtzeit. Formuliert der Nutzer einen Steuerungsbefehl per Tastatur oder Textprompt - etwa einen Wetterwechsel von Sonnenschein zu Regen oder das Einfügen eines neuen Gegenstands -, zerlegt das System diesen in logische Zwischenschritte, prüft deren visuelle Umsetzung und steuert die Simulation dynamisch nach.

Dadurch bleiben komplexe Ereignisketten stabiler, als es reine Videogeneratoren bisher leisten konnten. In Demonstrationen zeigt DeepMind beispielsweise, wie ein Nutzer auf dem Rücken eines gigantischen Flugwesens über ein Gebirge steuert oder eine detailreiche historische Straßenszene erkundet, ohne dass die Kulisse sofort in sich zusammenfällt.

Wie unmittelbar diese Steuerung reagiert, demonstrierte auch Alphabet-CEO Sundar Pichai in kurzen Videosequenzen, in denen die Simulation direkt auf wechselnde Texteingaben eingeht:

Erstes Weltmodell mit synchroner Sprach- und Tonkulisse

Bislang waren interaktive KI-Welten stumm; Tonspuren mussten aufwendig separat generiert und nachträglich über Videos gelegt werden. Genie 4 erzeugt Bild und Ton synchron in einem Durchgang. Die Klangpalette reicht vom Rauschen des Windes in Bäumen und hallenden Schritten auf feuchtem Stein bis hin zum Prasseln von Regen.

Bemerkenswert ist die Integration von gesprochenen Dialogen: Virtuelle Figuren in der Umgebung reagieren laut DeepMind in Echtzeit auf Aktionen des Spielers. In den vorgestellten Beispielen sprechen Charaktere situativ passende Warnungen aus oder führen Unterhaltungen, deren Lippenbewegungen und Tonlagen direkt an das Geschehen gekoppelt sind. Die Entwickler räumen allerdings ein, dass bei schnellen Wendungen gelegentlich Artefakte in der Sprachausgabe auftreten können.

Trainingsplatz für Roboter und Entwickler-API

Neben der Unterhaltungs- und Spielebranche zielt DeepMind mit Genie 4 vor allem auf die industrielle Robotik. Reale Roboter müssen vor ihrem Einsatz Millionen von Bewegungsabläufen trainieren. In der realen Welt ist dieses Training langsam, teuer und mit Verschleiß oder Schäden verbunden.

Genie 4 soll als universelle Simulationsplattform dienen, in der Roboter-Agenten physikalische Interaktionen virtuell durchlaufen, bevor sie auf reale Maschinen übertragen werden. In einer Partnerschafts-Demo zeigt DeepMind einen Roboterarm (Universal Robots UR5), der in der virtuellen Laborumgebung Pipettieraufgaben präzise simuliert. Ziel ist es, den sogenannten Sim-to-Real-Transfer - also den Schritt vom Algorithmus im Rechner zur Bewegung im Metall - drastisch zu verkürzen.

Zugänglich wird Genie 4 in mehreren Stufen:

• Research Preview: Ausgewählte vertrauenswürdige Tester und Forschungspartner erhalten ab sofort Zugriff, um Rückmeldungen zu sammeln.
• Endanwender: Abonnenten des Tarifs Google AI Ultra sollen die Simulationsumgebung demnächst direkt im Web über Project Genie ausprobieren können.
• Entwickler-Schnittstelle: Zum ersten Mal stellt Google eine Programmierschnittstelle für ein Weltmodell bereit. Entwickler können sich über Google AI Studio und die Gemini API für den Early Access bewerben.

Einschränkungen: Was Genie 4 noch nicht kann

Trotz der demonstrierten Fortschritte weist das Forschungsteam von DeepMind offen auf die Grenzen der aktuellen Technologie hin. So läuft die interaktive Simulation derzeit mit Bildraten zwischen etwa 24 und 30 Bildern pro Sekunde (fps); extrem flüssige 60 fps wie in modernen Computerspielen wurden nach Angaben der Entwickler bisher noch nicht erprobt.

Zudem bleibt die Objektpermanenz eine ungelöste Kernherausforderung: Über längere Sitzungen oder nach mehrfachen Eingriffen neigt die Simulation dazu, räumliche Details zu verändern oder zu „vergessen“. Auch die exakte Darstellung lesbarer Schriftzüge in der Umgebung, komplexe Mehrkörper-Kollisionen und langfristige geometrische Konsistenz erfordern nach wie vor aktive Forschungsarbeit.

Um Missbrauch vorzubeugen, werden sämtliche von Genie 4 erzeugten Bild- und Tonströme automatisch mit Googles unsichtbarem Wasserzeichen SynthID versehen, das eine nachträgliche Identifizierung als KI-Inhalt ermöglicht.

Anzeige · Buch und Angebot von Markus Kirchmair

Noch ein Tool. Oder endlich weniger Arbeit?

Prüfen Sie mit No More Tools, welche Software und Abläufe Ihr Unternehmen tatsächlich braucht. Im Workshop entsteht ein priorisierter Fahrplan.

Workshop kennenlernen →