Wilson Vega
Editor SrFanático de la tecnología, el cine y la cultura pop. Periodista de profesión y geek por vocación, apasionado de la inteligencia artificial y la robótica en la ciencia ficción y en el mundo real. A veces, el éxito significa ser el primero en fracasar.
Un “genio” capaz de anticiparse a las reacciones del usuario, que genera un mundo visual lleno de detalles, además de sonidos ambientales, diálogos y música. Así podría definirse Genie 4, un avanzado modelo de simulación de mundos que lanzó hoy Google DeepMind, que se apoya en la familia de modelos Gemini para proporcionar un razonamiento complejo que garantiza, dice la empresa, la coherencia espacial y el comportamiento físico realista de los escenarios en tiempo real.
En el blog oficial de DeepMind se lee: “El modelo Genie 4 incorpora y amplía las capacidades de la familia Gemini: Gemini Omni basa las simulaciones en la apariencia y el comportamiento del mundo real, mientras que otros modelos Gemini proporcionan el razonamiento complejo necesario para mantener la coherencia y la continuidad de la simulación. Con esta base, se puede iniciar un evento y Genie 4 simula lo que sucede a continuación: cómo responde el mundo, cómo suena y cómo se mueven, reaccionan y hablan las personas que lo habitan”.
La herramienta permite a los usuarios modificar activamente el entorno mediante instrucciones en lenguaje natural, lo que abre nuevas aplicaciones en campos como la dirección creativa, el fotorrealismo histórico y la robótica avanzada. Actualmente se encuentra en fase de preview para evaluadores de confianza.
Simulación visual y generación de audio nativa
En lugar de generar primero las imágenes y añadir el sonido posteriormente, Genie 4 produce los componentes visuales y auditivos de forma simultánea y en tiempo real. Según explica TechCrunch: Cada mundo simulado genera sus propios ruidos ambientales de acuerdo con la escena, como el viento entre los árboles o las olas rompiendo en la playa. Incluso puede generar música e interacciones sonoras de instrumentos presentes físicamente en la simulación.
Genie 4, comparado con el modelo anterior. Foto: Google DeepMind
En ese sentido, Genie 4 puede preciarse de ser un modelo de mundo nativamente multimodal. Los personajes creados pueden conversar y reaccionar sobre la marcha a las acciones o indicaciones del usuario y a los eventos del entorno.
Avanzado, pero con límites
Pero si bien Genie 4 representa un avance significativo, Google DeepMind señala que sigue siendo un modelo experimental en desarrollo con varias limitaciones clave. Una muy importante es la memoria. Las simulaciones logran mantener la coherencia durante un par de minutos -como máximo- antes de que el modelo pierda el hilo. La consistencia a largo plazo, indicó Google, continúa siendo una de las principales áreas de investigación.
Así las cosas, los detalles visuales y la presencia de objetos en la escena pueden alterarse o desaparecer a medida que la simulación se prolonga, tras aplicar múltiples modificaciones complejas mediante prompts o al navegar por el entorno. El modelado de interacciones físicas avanzadas o complejas aún está en proceso de perfeccionamiento.
Tanto la exactitud espacial del entorno como la precisión del audio en tiempo real requieren trabajo continuo. Y, como ocurrió tantas veces en el desarrollo de IA con capacidades gráficas, generar texto claro y legible dentro de los entornos simulados sigue siendo una limitación técnica.
Por eso, Genie 4 trabaja en tándem con otros recursos de Google. Gemini 3.8 Flash actúa como un ‘agente guía’ que supervisa la simulación en tiempo real mientras Genie 4 genera el mundo. Su función es garantizar la coherencia visual, física y narrativa al observar continuamente la escena y revisar los cuadros entrantes para comprobar si cada acción o paso ha tenido éxito.
Cuando el usuario modifica la simulación en lenguaje natural (como cambiar el clima, mover la cámara o añadir objetos y personajes), Gemini adapta la indicación contextualmente para que encaje con el entorno y ajusta su plan sobre la marcha.
Gente de confianza
Google DeepMind está evaluando Genie 4 en una vista previa de investigación junto a grupos de 'probadores de confianza' y socios estratégicos en las áreas e industrias en las que se prevé un mayor impacto. Una de ellas es el cine, en donde puede ser utilizado como un "modo borrador" que permite a los cineastas ingresar a una simulación en vivo y ejecutar múltiples "tomas" en tiempo real, ajustando ángulos de cámara, iluminación, diálogos y movimientos sobre la marcha, presumiblemente antes de ir a rodar al mundo real.
También es de esperar que desarrolladores y creativos en la industria de los videojuegos hallen en Genie 4 capacidades para pasar de una idea inicial a un prototipo explorable en segundos, evaluando estilos visuales, estética de materiales y mecánicas de juego mediante prompts de texto antes de programar en un motor.
Eso ha suscitado inquietud entre algunos desarrolladores, que temen que eventualmente la IA sea usada para generar más que prototipos. Como lo puso Ars Technica: “Es fácil ver el resultado de Genie 4 y pensar que se trata de un videojuego, razón por la cual Genie 3 causó tanta consternación en la industria. Sin embargo, DeepMind no lo ve de esa manera. Según Google, los modelos de mundo son un elemento clave en el avance hacia la inteligencia artificial general (IAG)”.
Apollo de Apptronik. Foto: Mercedes-Benz
Finalmente, un modelo como Genie 4 puede ser utilizado para generar entornos de entrenamiento infinitamente variables para robots y agentes físicos. Por ejemplo, se ha probado junto con modelos de razonamiento para simular tareas complejas de robótica, como la interacción del robot humanoide Apollo de Apptronik y la representación de brazos robóticos como el Universal Robots UR5, encargado de tareas de laboratorio, como sostener una pipeta y dispensar líquido en una placa.
Ver 0 comentarios