2026年10月27日、Google DeepMindは次世代のインタラクティブ世界モデル「Genie 4」を発表した。キーボードを叩くだけで生成された空間の中を歩き回ることができ、水たまりを踏む足音がリアルタイムに耳へ届く。だが、その後の技術ブリーフィングで開発チームはその限界を率直に認めた。アルゴリズムが紡ぎ出すこの世界は、連続実行が2分を超えると細部が歪み始め、破綻をきたしてしまう。
キーを叩けば新しい情景へ、映像と音声を1秒未満で同期生成
これまでの動画生成モデルの多くは無音の映像を出力するにとどまり、音響効果は後処理での合成に依存していた。Genie 4は映像と音声の同時推論を初めて実現した。足音や風の音、登場キャラクターとの対話音声に至るまで、モデルが単一フレームの推論パス内で直接生成する。DeepMindは、すべての音声がモデル自身から自律的に生み出されており、外部の音声モデルを連携させる際の伝送遅延を完全に排除したと強調している。
図：Genie 4がリアルタイムに生成するインタラクティブなシーン。キー入力に応じて物理挙動とライティングの変化を動的に計算する。出典：TechCrunch / Google DeepMind。
Gemini Omniが現実世界を参照する知覚バックボーンとして機能し、外観と物理的挙動を緻密に調整する。物体の衝突反応や空気抵抗も自然界の法則に忠実だ。バックグラウンドでは推論モデルがシーンを常時監視し、テキスト入力された自然言語を環境制御コマンドへと変換する。プレイヤーは文字を打ち込むだけで豪雨を降らせたり、新しいキャラクターをその場に登場させたりできる。
操作において厳密なゲームエンジン用のスクリプトを書く必要はない。「空から大雨を降らせる」と入力すれば、濡れた路面の光の反射をモデルが自動的に推論して描画する。言語指示を物理シミュレーションへと変換するこの機能により、手作業でシナリオやアニメーションを作り込む手間が不要になった。
キー入力の手を止めている間も、システムは自律的なシミュレーションを継続する。街を行き交う歩行者はそのまま歩き続け、操作が止まったからといって世界が静止することはない。この技術は現在リサーチプレビューとして公開されており、数週間以内にAI Ultraの契約者を対象としたウェイティングリストが開設される予定だ。
視点を外して戻すと、配達員が突如ヘルメットを着用
開発者コミュニティにデモ映像が公開されると、エンジニアたちはコマ送りで不整合の検証を始めた。香港の街並みを再現したデモでは、ヘルメットを被っていないフードデリバリーの配達員が狭い路地を走り抜ける。だがカメラが0.5秒ほど視点を外し、再び元の位置に戻ると、配達員の頭には突如として真新しいヘルメットが現れていた。また、巨大なドラゴンが飛翔するデモでは、カメラが尾根を回り込んで戻った瞬間、眼下の平原に巨大な石造りの城が突如出現した。
駅のプラットホームの映像でも同様の現象が確認された。遠くを歩く乗客が移動中に姿を変え、トレンチコートを着ていたはずの人物が瞬時に半袖姿へと変容したのである。物体が画面の視野内に留まっている限り、空間的な整合性は極めて安定している。しかし一度でも画角の外へ外れると、システムは3次元の幾何学的座標や空間状態をメモリ内に保持し続けることができない。
カメラが再び元の位置へパンしたとき、アルゴリズムは周囲のコンテキストの意味情報だけを頼りに、その場のピクセルを即興で再構成するほかない。DeepMindのリサーチサイエンティストであるディエゴ・リバス（Diego Rivas）氏は、時間の経過とともに細部のドリフト（ズレ）が累積していくことを認めている。現時点ではシーン内の文字を鮮明に判読することは難しく、音質にも途切れが生じる。開発チームは、本作が依然として初期の実験的段階にあり、製品としての形態は未定であると述べている。
技術コミュニティはこうした破綻に極めて敏感だ。もし視野外の物体の一貫性を保つことが容易であるなら、公式デモの制作段階で最優先で修正されていたはずだからである。公開映像にそのまま不整合が残されているという事実は、持続的な空間メモリの維持が、生成AI業界全体にとって未だ解決されていない巨大な壁であることを如実に物語っている。
幼児が数ヶ月で身につける常識に、2分で音を上げる巨大モデル
人間の乳児は、生後8ヶ月前後で「物体の永続性（Object Permanence）」に対する基本的な認識を獲得する。オモチャが毛布で覆い隠されても、赤ちゃんはその物体が依然としてそこに存在し続けていることを理解し、自ら手を伸ばして探そうとする。現在の生成モデルには、このような空間的な保存概念が存在しない。それはあたかも視線の動きに合わせて目に見える場所だけを猛烈な勢いで描きなぐり、視線が外れた瞬間にすべてを忘れ去る即興画家のようだ。
図：DeepMindが提示したGenie 4の動作ロジック。短期的な整合性はコンテキスト推論に依存するが、長期記憶においては誤差の指数関数的な蓄積に直面する。出典：Google DeepMind。
エンジニアリングデータによると、Genie 4がシーンの一貫性を維持できる限界は2分間に達した。これは2025年8月に発表された前世代モデル「Genie 3」のちょうど2倍の長さだ。しかし持続時間を倍増させるには膨大な計算リソースが必要であり、コンテキスト長を拡大しても誤差の蓄積を食い止めることはできなかった。幾何学的な座標の制約を持たないため、1フレームごとの微小なズレが数十秒のうちに増幅され、最終的には世界全体の崩壊へとつながる。
従来のゲームエンジンは、メッシュ構造やオブジェクトの状態をVRAM上に恒久的に保持する。プレイヤーがどれほど遠くまで離れて戻ってきても、机の上に置かれたグラスが勝手に移動することはない。これに対して世界モデルは幾何座標を完全に迂回し、確率分布から次のフレームのピクセルを直接推定しようとする。このアプローチは豊かな視覚的表現を生み出す一方で、厳密な物理的一貫性を維持することを困難にしている。
スタートアップを買収するテック巨人、ロボットを仮想の夢で訓練
明らかな欠陥を抱えながらも、世界モデルは巨大テック企業による激しい争奪戦の的となっている。数ヶ月前には動画生成大手のRunwayが第2世代の世界モデル「GWM Worlds 2」を発表した。半導体大手AMDはフェイフェイ・リー（Fei-Fei Li）氏率いるWorld Labsを買収し、AmazonもDecartの買収交渉を進めている。電気自動車メーカーのRivianは、自動運転システムのテスト環境としてThird Dimensionを買収した。
業界が世界モデルに巨額の投資を行う最大の目的は、実体を持つロボットに対して低コストな試行錯誤のシミュレーション環境を提供することにある。Googleのロボティクス実験では、Gemini 4 Argonモデルがタスクの手順を分解し、Genie 4が物理的なフィードバックをリアルタイムに推論することで、アルゴリズムが仮想環境内で事前に動作を検証できる体制を整えている。リサーチディレクターのテジャス・クルカルニ（Tejas Kulkarni）氏は、ハイブリッドアーキテクチャこそが今後の業界の決定的な進化の道筋になると指摘する。
しかし、現在のGenie 4は厳密な工学シミュレーションの要求水準には到底及ばない。現実世界でロボットがコップを割れば床に破片が散らばるが、世界モデルでは視点を外した瞬間に床が何事もなかったかのように平らになってしまう。初期のテスターたちは、このモデルの現時点における最も実用的な用途は、映画やゲーム制作における初期のコンセプト絵コンテ（プリビズ）であると指摘する。クリエイターは物理的な厳密さに頭を悩ませることなく、直感的なフィードバックを得ながらインスピレーションを具現化できる。
世界モデルの真の分岐点は、常に空間的一貫性の克服にある。Genie 4は、アルゴリズムが映像と音声を伴うインタラクティブなシーンをリアルタイムに構築できることを実証した。だが、視野外リセットの問題が解決されない限り、その世界は2分後に音もなく崩れ去ってしまう。それはクリエイターにとって極めて魅力的なスケッチブックにはなり得ても、厳格な物理シミュレータの座を奪うには至っていない。
参考リンク：
- Google DeepMind 公式研究発表
- TechCrunch 現地詳細レポート
- Hacker News 開発者コミュニティの技術的議論
