Google DeepMind hat Genie 4 vorgestellt, ein Weltmodell, das begehbare Umgebungen in Echtzeit berechnet. Es soll als erster Vertreter dieser Klasse Ton und Dialoge direkt mitliefern. Für den Alltag ist es noch nicht gedacht.
Was Genie 4 von einem Video-Modell unterscheidet
Ein Videomodell liefert einen fertigen Clip. Man spielt ihn ab, pausiert, spult zurück. Genie 4 arbeitet anders. Das Modell berechnet die Umgebung Bild für Bild neu, während Sie sich darin bewegen, und reagiert auf jede Eingabe. Wer die Tastatur benutzt, lenkt die Figur durch die Szene. Wer tippt, verändert die Welt.
Google DeepMind nennt das eine interaktive Simulation. Der Unterschied zum Video ist ungefähr der zwischen einem Film und einem Spielfeld. Im Film passiert, was vorher festgelegt wurde. Im Spielfeld entscheiden Sie, wohin es geht, und die Umgebung antwortet darauf.
Genie 4 ist die vierte Generation dieser Technik. Der Vorgänger Genie 3 war im August 2025 gezeigt worden und blieb etwa eine Minute lang stimmig. Die neue Version verdoppelt diese Spanne nach Angaben des Unternehmens auf bis zu zwei Minuten. Das klingt nach einem kleinen Schritt. Für Anwendungen, in denen jemand eine Szene erkundet, ist es ein großer.
Echtzeit heißt bei Genie 4: Sie greifen mitten in die Szene ein
Der deutlichste Unterschied zum Vorgänger zeigt sich mitten im Lauf. Sie können das Wetter umschalten, die Kamera anders ausrichten oder eine neue Figur in die Szene setzen, und die Simulation zieht mit. Kein Neustart, kein Warten auf einen neuen Durchlauf.
Die Steuerung läuft über Text. Ein Satz genügt, und aus dem sonnigen Hof wird ein Regentag mit nassen Steinen. DeepMind bezeichnet das als „Real-Time Steering“, also Eingreifen während des Laufs. Genau hier liegt der Reiz für alle, die Ideen schnell ausprobieren wollen.
Der Ingenieur Diego Rivas sagt, der größte Wert der Echtzeit zeige sich im Arbeitsfluss beim Entwerfen. Wer eine Szene entwickle und in einzelne Einstellungen zerlege, könne viel schneller Varianten durchspielen als mit einem Werkzeug, das pro Idee einen neuen Clip rendert. Einige der frühen Tester nutzen Genie 4 laut Google bereits, um Szenen für Filme zu prototypen.
Ton und Dialoge kommen jetzt aus dem Modell selbst
Bisherige Weltmodelle waren stumm. Genie 4 erzeugt Umgebungsgeräusche, Musik und Sprache selbst, und zwar synchron zum Bild. Jede Welt bekommt ihre eigene Geräuschkulisse. Wind in den Bäumen, Schritte auf Kies, ein Raum, der nach Büro klingt.
Dazu kommen Dialoge. Figuren sollen miteinander sprechen und auf Ereignisse reagieren, auch auf Ihre Zwischenrufe. DeepMind beschreibt Genie 4 als erstes Echtzeit-Weltmodell, das Ton nativ erzeugt. Diese Einordnung stammt vom Unternehmen selbst und ist bislang nicht unabhängig geprüft.
Für Filmbauer und Spieleentwickler ist der Ton kein Beiwerk. Eine Szene ohne Geräusche wirkt tot, und Dialoge sind der teuerste Teil jeder Vertonung. Wenn beides aus demselben Modell kommt, das auch die Bilder liefert, verschiebt sich ein ganzes Stück Produktionsarbeit.
Gemini gibt den Takt vor, Genie 4 rechnet die Bilder
Hinter der Simulation sitzt ein zweites Modell. Gemini beobachtet die Szene fortlaufend, zerlegt ein Ziel in einzelne Schritte und prüft anhand neuer Bilder, ob jeder Schritt geklappt hat. Wenn die Welt sich verschiebt oder Sie eingreifen, passt Gemini den Plan an.
Diese Aufteilung erklärt, warum die Simulation überhaupt über zwei Minuten halbwegs zusammenhalten kann. Genie 4 muss nicht alles gleichzeitig im Blick behalten. Es rechnet das nächste Bild, während Gemini die Richtung vorgibt und kontrolliert.
DeepMind hat das Prinzip auch mit seiner Robotikforschung verbunden. In einem Versuch zerlegte ein Gemini-4-Argon-Modell eine Aufgabe in Teilschritte, und Genie 4 simulierte die Ausführung in Echtzeit. Ein echter Roboter war daran nicht beteiligt. Der Versuch zeigt trotzdem, wohin die Reise gehen soll: erst im Modell üben, dann in der Werkstatt.
Der Forschungsdirektor Tejas Kulkarni spricht in diesem Zusammenhang von hybriden Weltmodellen. Gemini schreibe Code und Text und könne Schlussfolgern, Genie nehme die Wirklichkeit in Echtzeit auf und simuliere sie auf verschiedenen Abstraktionsebenen. Kein Modell allein, sondern ein Gespann.
Zwei Minuten stimmige Welt, danach wird es wackelig
Die Grenzen benennt DeepMind offen. Je länger eine Simulation läuft, desto eher verschieben sich Details. Gegenstände bleiben nicht zuverlässig an ihrem Platz, und nach mehreren Änderungen per Text kann die Szene auseinanderlaufen. Auch die Tongenauigkeit und die Lesbarkeit von Schrift im Bild sind nicht gelöst.
Rivas betont, Genie 4 stehe am Anfang. Die Erfahrung als fertiges Produkt sei noch nicht ausgereift. Wer heute eine durchgehend stimmige Welt für eine Stunde braucht, wird weiter mit klassischen 3D-Werkzeugen arbeiten.
Bemerkenswert ist trotzdem, wie schnell die Kurve verläuft. Zwischen Genie 3 und Genie 4 liegt rund ein Jahr, und in dieser Zeit hat sich die stabile Laufzeit verdoppelt, der Ton ist dazugekommen, und die Bewegungen von Menschen wirken deutlich natürlicher. Die Physik folgt nach Einschätzung des Unternehmens inzwischen häufiger dem, was man erwartet.
Wo Genie 4 in Spielen, Unterricht und Robotik landen soll
Google nennt drei Felder: Spiele, interaktives Lernen und Robotik. Am naheliegendsten ist das Spiel. Eine Welt, die auf Zuruf ihre Regeln ändert, taugt für Prototypen ebenso wie für Szenen, die kein Leveldesigner vorher bauen wollte.
Beim Lernen stellt sich DeepMind eine Reise durch ein historisches Gemälde vor, in der man mit den abgebildeten Personen spricht. Das ist bislang eine Idee, kein Produkt. Sie zeigt aber, was ein Weltmodell von einem Textchatbot unterscheidet: Es liefert einen Ort, nicht nur eine Antwort.
Für die Robotik ist der Nutzen nüchterner und größer. Trainingsdaten aus der echten Welt sind teuer, selten und manchmal gefährlich. Eine Simulation, die physikalisch plausibel reagiert, lässt sich dagegen beliebig oft wiederholen. Genau dort verortet DeepMind den größten langfristigen Wert.
Der Wettlauf der Weltmodelle wird teurer
Genie 4 erscheint in einer Phase, in der der Markt für Weltmodelle kräftig umgebaut wird. Der Konkurrent Runway hat vor zwei Monaten GWM Worlds 2 veröffentlicht. World Labs, das Unternehmen der Forscherin Fei-Fei Li, wurde nach Medienberichten von AMD für 8,2 Milliarden US-Dollar übernommen. Amazon verhandelt Berichten zufolge über einen Kauf von Decart für rund sieben Milliarden Dollar. Rivian hat Third Dimension gekauft, einen Anbieter von Simulationen für Fahrassistenz.
Die Beträge zeigen, worum es geht. Weltmodelle gelten als Grundlage für Robotik, autonomes Fahren und Spiele. Wer die Technik beherrscht, verkauft nicht nur Software, sondern die Umgebung, in der andere trainieren.
Für Google ist Genie 4 damit auch ein Positionssignal. Das Unternehmen hat mit Veo bereits ein Modell für hochauflösende Videos mit passendem Ton, und mit Gemini Omni ein Werkzeug, das Prototypen in fertige Produktionen überführen soll. Letzteres braucht laut Google noch Zeit.
Wer Genie 4 ausprobieren darf und wann
Zum Start bekommen nur ausgewählte Tester Zugang. In den kommenden Wochen soll Genie 4 dann für Abonnenten von Google AI Ultra in der Anwendung Project Genie verfügbar werden. Entwickler mit frühem Zugang zur Gemini API und zu Google AI Studio kommen ebenfalls dazu.
Der Zeitplan ist typisch für Google. Erst intern und mit Partnern testen, dann die zahlende Kundschaft, dann die breite Öffentlichkeit. Wer Genie 4 selbst ausprobieren möchte, sollte den Start von Project Genie für AI Ultra im Blick behalten. Alles andere wäre derzeit Spekulation.
Bis dahin bleibt die interessantere Frage ohnehin eine andere: ob sich Weltmodelle als Werkzeug durchsetzen oder als Zwischenstufe verschwinden, sobald Videomodelle gelernt haben, auf Eingaben zu reagieren. Genie 4 macht beide Wege plausibel.
