Genie 4: IA do Google gera mundos com som para treinar robôs, mas a simulação não mantém coerência

A Google DeepMind anunciou nesta terça-feira (27) o Genie 4, um modelo que não conversa como um chatbot: ele constrói mundos inteiros, com som ambiente, diálogo e física, e reage em tempo real a comandos em linguagem natural. A própria DeepMind, porém, reconhece que essa realidade virtual pode "derivar" e perder coerência após longas interações.

O que é um world model

Um world model (modelo de mundo) é um tipo de IA generativa que não apenas prevê ou descreve eventos: aprende a simular como um ambiente reage a ações. É diferente de um chatbot — em vez de conversar, ele constrói realidades virtuais. O objetivo final é treinar robôs e agentes de IA em cenários virtuais antes de soltá-los no mundo físico.

O Genie 4 aprofunda a aposta do Google em world models, uma linha de pesquisa separada dos modelos de linguagem tradicionais que treina agentes de IA e robôs em ambientes virtuais antes do mundo real.

O que o Genie 4 faz diferente

Segundo o blog oficial da DeepMind, o Genie 4 "prevê o que acontece a seguir: como o mundo responde, como soa e como as pessoas se movem, reagem e falam". Na prática, o modelo gera um ambiente interativo a partir de um comando e permite que o usuário continue explorando esse espaço em tempo real, como se estivesse dentro de um jogo gerado por IA.

A principal novidade é o áudio nativo. O Genie 4 é descrito como o primeiro modelo de mundo em tempo real a gerar som de forma sincronizada com a simulação visual: vento nas árvores, ondas quebrando na praia e diálogo entre personagens que reagem ao que o usuário faz.

O usuário também pode "dirigir" a cena por linguagem natural enquanto ela roda: mudar o clima, mover a câmera ou introduzir um novo personagem, com o modelo ajustando o cenário de forma contextual. A DeepMind aponta avanços também na física básica, como aerodinâmica, colisões e movimentos humanoides mais naturais.

O que Google DeepMind admite não resolver ainda

A DeepMind reconhece que em sessões longas os detalhes visuais e a permanência dos objetos variam com o tempo — fenômeno conhecido como "drift" em modelos generativos. Um objeto colocado em um canto da cena, por exemplo, pode não estar exatamente igual depois de várias interações.

A empresa trata a consistência de longo prazo como uma área de pesquisa ativa, não como um problema resolvido. É uma ressalva relevante: para que world models sirvam como ambiente confiável de treino para agentes e robôs, a realidade virtual precisa manter coerência por períodos mais longos do que os mostrados em demonstrações curtas.

Por que isso importa

O Genie 4 não compete com chatbots de texto. A aposta da DeepMind é usar mundos virtuais com física plausível para treinar robôs e agentes autônomos sem os custos e riscos de testar tudo no mundo real.

A disputa por dominância em world models envolve diferentes grupos de pesquisa em IA generativa de vídeo e simulação, ainda sem um padrão consolidado sobre qual abordagem produz ambientes mais úteis para treinamento.

Acesso ainda restrito

Por ora, o Genie 4 está disponível apenas para testadores selecionados pela DeepMind. A expansão virá em etapas: primeiro para assinantes do Google AI Ultra, depois para parceiros via Gemini API e Google AI Studio.

Não há cronograma público de lançamento geral nem menção a disponibilidade específica para o Brasil. Para pesquisadores e desenvolvedores que acompanham essa corrida, há um marco a observar nos próximos meses: a DeepMind conseguirá resolver o problema de deriva antes de abrir o Genie 4 para o público em geral?