Ein Ballonflug über die Antarktis, ein Drachenrennen an einer Burg vorbei, ein Bahnhof im Japan der 1980er-Jahre: Googles neues KI-Modell Genie 4 erzeugt solche Welten aus einer Beschreibung und lässt Nutzerinnen und Nutzer in Echtzeit darin herumgehen, erstmals mit Ton und Dialogen. Was das Modell kann, wofür es gedacht ist und wo es noch hakt.
Welten aus einer Beschreibung
Googles KI-Forschungslabor DeepMind hat am 27. Oktober Genie 4 vorgestellt. Es handelt sich um ein sogenanntes Weltmodell: Statt nur ein Video zu erzeugen, berechnet die KI eine Umgebung, in der man sich in Echtzeit bewegen kann. Gesteuert wird wie in einem Computerspiel über die Tastatur, Blickrichtung und Kamera inklusive.
Die Beispiele, die DeepMind zeigt, reichen vom Blick aus dem Korb eines Heißluftballons über der Antarktis über ein Drachenrennen an einer Burg mit Katapulten bis zu einem vollen ländlichen Bahnhof im Japan der 1980er-Jahre. Laut DeepMind simuliert das Modell auch physikalische Vorgänge wie Luftströmungen und Zusammenstöße, und Figuren bewegen sich natürlicher als bisher.
Erstmals mit Musik, Geräuschen und Dialogen
Neu ist vor allem der Ton. Genie 4 ist laut DeepMind das erste Echtzeit-Weltmodell des Unternehmens, das Audio direkt mit erzeugt: Wind in den Bäumen, Wellen am Strand, Musik und Gespräche. Figuren in der Szene können sich in Echtzeit unterhalten und auf Eingaben oder Ereignisse in der Welt reagieren. Der Vorgänger Genie 3 war im August 2025 vorgestellt worden.
Während man sich in einer Welt bewegt, lässt sie sich per Texteingabe verändern. Man kann etwa das Wetter wechseln oder eine Person oder einen Gegenstand hinzufügen. Googles Sprachmodell Gemini passt solche Anweisungen an die Szene an und achtet zwischen den Eingaben darauf, dass die Welt stimmig bleibt.
Wofür Google das Modell einsetzen will
DeepMind nennt mehrere Einsatzgebiete. Roboter und KI-Agenten sollen in simulierten Welten trainieren können, bevor sie in der echten Welt arbeiten. Gezeigt werden etwa ein Roboterarm im Labor und ein humanoider Roboter, der Dame spielt. Filmschaffende könnten Szenen vorab durchspielen und mehrere Varianten einer Einstellung ausprobieren, Spielestudios Ideen schneller testen.
Weitere Ideen: Aus einem einzigen historischen Foto soll eine begehbare Umgebung entstehen, und Unternehmen oder Behörden könnten Szenarien wie Überschwemmungen oder Waldbrände simulieren. Hinter dem Projekt steht ein größeres Ziel. „Die Welt zu verstehen und zu simulieren ist ein entscheidender Baustein auf dem Weg zu AGI“, schreiben die Autorinnen und Autoren, also zu einer allgemeinen künstlichen Intelligenz.
Wer es nutzen kann und wo es hakt
Ausprobieren können Genie 4 vorerst nur ausgewählte Testerinnen und Tester. Als Nächstes sollen Abonnentinnen und Abonnenten des Premium-Abos Google AI Ultra über das Angebot Project Genie Zugang erhalten, außerdem ausgewählte Partner über Googles Entwicklerplattformen. Für Project Genie gibt es eine Warteliste. In welchen Ländern das Modell verfügbar sein wird, lässt Google offen.
Perfekt ist die Technik nicht. DeepMind räumt ein, dass sich Details und Gegenstände vor allem bei längeren Sitzungen, nach mehreren Änderungen oder beim Herumgehen verändern oder verschwinden können. Auch komplexe physikalische Abläufe, lesbarer Text und die Genauigkeit des Tons sind noch Baustellen. Alle erzeugten Bilder und Töne tragen ein unsichtbares digitales Wasserzeichen namens SynthID, damit sie als KI-Inhalte erkennbar sind.
