技術・研究 · 2026-10-28 · Team LATENT

Genie 4はゲームエンジンの代わりになるか　生成した世界をGeminiが見張る仕組みと限界

Google DeepMindのGenie 4は、キー操作と文章の指示に応じて映像と音を同時に生成するワールドモデルだ。Gemini 3.8 Flashが場面を見て進行を導く仕組みを公式の説明から読み、世界の状態を数値で持つゲームエンジンとの違いと、ゲーム制作で試せる範囲を整理する。

Apptronik社のヒト型ロボットApolloが、チェッカーの盤の前で駒を動かす。Google DeepMindが公開したこの映像では、ロボットも盤も駒も、Genie 4が画素の単位で生成している。利用者が指示した作業は、Gemini 4 Argonが手順に分ける。Argonは各手順を文章にしてGenie 4に渡し、Genie 4はその文章に沿って次の場面を描き続ける。

Google DeepMindは2026年10月27日、ワールドモデル「Genie 4」を発表した。利用者がキーボードなどで移動と視点を操作し、文章で指示を足すと、Genie 4はそれに応じて次の映像と音を生成する。現在は信頼できるテスター向けの研究プレビューで、一般の利用者や開発者はまだ使えない。

ゲームの世界は、Unity、Unreal Engine、Godotのようなゲームエンジンで作るのが一般的だ。文章で世界を生成して操作できるなら、ゲームエンジンは要らなくなるのか。この記事では、GeminiがGenie 4の進行を導く仕組みを公式の説明から読み、世界の状態の持ち方をゲームエンジンと比べる。仕様は10月28日に確認した。Genie 4の性能はDeepMindの説明と公開映像によるもので、LATENTは試用していない。ゲームエンジンとの比較はLATENTの分析だ。

Google DeepMindの発表 / Genie 4のモデルページ

この記事の要点

Genie 4は操作と文章の指示に応じて、映像と環境音、音楽、会話を同時に生成する。複雑な出来事では、Gemini 3.8 Flashが場面を見ながら目標を手順に分け、各手順が成功したかを生成された映像で確かめる。
ゲームエンジンは物体の位置や衝突判定の形状を数値で持ち、規則をコードで実行する。Genie 4は世界の見た目を画素として生成し、構造と進行の計画はGeminiが受け持つ。DeepMindは物体の永続性、文字の描画、数分までの操作時間を制約に挙げている。
Genie 4は、Project GenieのGoogle AI Ultra契約者と、Gemini APIとGoogle AI Studioの早期アクセス先に提供を広げる予定だ。解像度、フレームレート、料金、提供開始日は公表されていない。

Genie 4は操作に応じて映像と音を同時に生成する

DeepMindによると、Genie 4はGeminiの系列の能力を取り込んで作られている。Gemini Omniが場面を現実の見た目とふるまいに沿わせ、ほかのGeminiモデルが場面の一貫性と連続性を保つための推論を受け持つ。Gemini Omniは、画像、文章、動画、音声を参照して動画を生成し、対話で編集できるモデルだ。

DeepMindは、Genie 4の能力を4つに分けて説明している。1つ目は、自然言語による場面の変更だ。利用者は天候を変え、カメラを動かし、新しい人物や物体を加えられる。Geminiは利用者の指示を周囲の場面に合うよう調整する。指示の合間にもGeminiが場面を監視し、世界がまとまりを保って進むよう導く。

2つ目は、物理現象と人の動きの再現だ。DeepMindは、Genie 4が空気力学や衝突などの物理現象を再現すると説明し、最も大きな進歩に人の動きを挙げる。生成された人物は自然に動き、周囲の環境に反応し、リアルタイムに操作できるという。

3つ目は音の生成だ。DeepMindは、Genie 4を音を直接生成する初めてのリアルタイムのワールドモデルと位置づける。それぞれの世界には、木々を渡る風や浜辺の波のような環境音が付く。登場人物は、利用者の入力や世界で起きた出来事に応じて会話する。4つ目はGeminiと組み合わせた複雑な出来事の再現で、3つ目の節で扱う。

公開された映像について、DeepMindはリアルタイムの操作の録画だと説明している。利用者はキーボードとマウスで移動と視点を操作し、文章で場面を導いている。ただし、モデルページの注記には、結果は説明のための例で、映像は短く編集されていると書かれている。物理の再現や人の動きを数値で評価した結果は、公表されていない。

Google DeepMindの発表 / Genie 4のモデルページ / Gemini Omniのモデルページ

Genie 3から変わったこと、公表されていないこと

前のモデルのGenie 3は、2025年8月に発表された。2つのモデルについて、DeepMindの公開資料にある記述を並べると次のようになる。

項目	Genie 3（2025年8月）	Genie 4（2026年10月）
解像度とフレームレート	720p、毎秒24フレーム	公表なし
一貫性	数分間ほぼ保つ。視覚の記憶は1分前まで	短いセッションでは保つ。時間とともに細部や物体がずれる
連続した操作	数分まで	数分まで
音	なし	環境音、音楽、会話を同時に生成
文章による変更	文章で世界に出来事を起こせる	天候、カメラ、人物、物体を変更。Geminiが場面に合わせて調整する
目標の扱い	モデルはエージェントの目標を知らない	Gemini 3.8 Flashが目標を手順に分け、進み具合を確かめる

Genie 3は、文章の指示から720p、毎秒24フレームの世界を生成すると発表されていた。Genie 4の発表とモデルページには、解像度とフレームレートの記載がない。連続した操作の長さについて、Genie 4のモデルページは、長いセッションでなく数分までと書いている。Genie 3の発表とほぼ同じ書き方で、操作できる時間が伸びたかどうかは公式資料からは読み取れない。

TechCrunchは、Genie 4は一貫した場面を最長2分保ち、前のモデルの2倍になったと報じた。Googleが1月にGenie 3を使って公開した試作アプリProject Genieには、生成は60秒までという制限があった。TechCrunchの2倍が何と比べた値かは、記事からは分からない。DeepMindの公開資料では、2分という数値を確認できなかった。

Genie 3の発表 / Genie 4のモデルページ / TechCrunchの記事

Gemini 3.8 Flashが場面を見て、手順の成否を確かめる

複雑な出来事をリアルタイムで扱うため、Genie 4ではGemini 3.8 Flashが案内役のエージェントとして処理に加わる。DeepMindの説明では、Genie 4が世界を生成している間、Geminiは場面を観察し続ける。目標を一連の手順に分け、届いたフレームを見て進み具合を追い、各手順が成功したかを確かめる。世界が変わったり利用者が割り込んだりすると、Geminiはその場で計画を立て直す。DeepMindは、この組み合わせで因果関係の確かな世界や、手順を踏む行動、多段階の推論が可能になるとしている。

Genie 3のときは、モデルとエージェントの関係が違った。DeepMindはGenie 3が生成した世界で、3D環境向けのエージェントSIMAに目標を与えて動かした。このときGenie 3はエージェントの目標を知らず、エージェントの操作に応じて先の場面を生成するだけだと説明されていた。Genie 4では、目標を知るGeminiが世界の外側から進行を導く。

冒頭のロボットの例では、Gemini 4 Argonが同じ役割を担う。Argonは利用者が指示した作業を手順に分け、シミュレーションの描画中に文章の説明として挟み込む。Genie 4は文章で導けるため、作業の完了に向けてシミュレーションを途中で変えていける。LATENTは10月2日に、出力の上限が100万トークンのモデルとしてArgonを取り上げた。その時点で、Argonの先行提供は一部の防御担当者に限られていた。

この仕組みでは、手順が成功したかの判定も映像から行われる。ゲームエンジンなら、駒が正しいマスに置かれたかをプログラムが座標で判定できる。Genie 4とGeminiの組み合わせでは、Geminiが生成された映像を見て判断する。判定の正しさは、Geminiが映像をどれだけ正確に読めるかと、Genie 4がどれだけ指示どおりに描けるかの両方に左右される。DeepMindは、手順の成否を確かめる精度を数値で示していない。チェッカーの例でも、指し手が規則に沿っていたかを確かめた結果は示されていない。

Google DeepMindの発表 / Genie 3の発表 / 関連記事　Gemini 4 Argonは100万トークンの出力で長時間の実務に挑む

ゲームエンジンは状態を数値で持ち、Genie 4は映像として生成する

ゲームエンジンは、場面にある物体を数値のデータとして持つ。Godotの物理の解説によると、物体どうしの接触を調べるには、物体に衝突判定用の形状を少なくとも1つ割り当てる。剛体には重力や衝撃などの力を加え、その結果の動きは物理エンジンが計算する。ゲームの規則はコードで書かれ、得点や所持品のような状態は変数に入る。保存の仕組みを作れば同じ場面から再開でき、テストで値を確かめられる。

ただし、ゲームエンジンの物理も、いつも同じ結果を返すわけではない。同じGodotの解説は、Godotの物理計算は決定的でなく、同じに見える状況でも同じ結果になるとは限らないと注意している。それでも、物体の位置や衝突したかどうかは、数値として読み出せる。

DeepMindは、Genie 3について異なる作り方を説明していた。Genie 3の発表によると、NeRFやGaussian Splattingは明示的な3D表現を必要とする。一方でGenie 3は、世界の説明と利用者の操作から1フレームずつ世界を作る。各フレームを生成するとき、モデルはそれまでに生成した軌跡を参照する。1分後に同じ場所へ戻れば、1分前の情報を参照し直す必要がある。DeepMindは、このような自己回帰型の生成では誤差が時間とともに積み重なりやすく、動画全体を一度に生成するより難しいと説明している。

Genie 4の構造は公表されていない。DeepMindは、今後に向けた初期の段階として、GeminiとGenieの役割分担を説明している。Geminiは裏側で世界の構造を整理し、物語の時間の流れを計画する。Genieは、世界の見え方、音、反応を画素の単位で生成する。

見た目が自然であっても、ゲームとして正確だとは限らない。ゲームでは、弾が敵に当たったか、扉の鍵を持っているかを、規則どおりに決めて覚えておく必要がある。ゲームエンジンでは、これらは衝突判定と変数の値で決まる。Genie 4では、当たったように見えるかどうかは生成された映像で決まる。数値として取り出せる状態があるかは、公表されていない。

DeepMindがモデルページに挙げた制約を、ゲームで必要になる機能と並べると次のようになる。右の列はLATENTによる対応づけだ。

DeepMindが挙げた制約	ゲームで対応する機能
細部と物体の永続性が時間とともにずれる	置いた物や倒した敵が、その場に残り続ける
複数の主体が同じ環境でやり取りする場面の再現は研究の途中	複数のプレイヤーやNPCが同じ世界を共有する
読める文字は、多くの場合、世界の説明に含めたときにしか生成されない	得点、所持品、メニューの文字を表示する
連続した操作は数分まで	1回のプレイを数分より長く続ける
リアルタイムの音の正確さは改善の途中	効果音やせりふを画面の出来事に合わせる

物体の永続性のずれは、長く動かしたときや、複雑な指示を何度か重ねたとき、場面の中を動き回ったときに目立つという。表の右の列は、どれも多くのゲームの完成品で欠かせない機能だ。

Godotの物理の解説 / Genie 3の発表 / Genie 4のモデルページ

ゲーム制作で試せるのは、エンジンのコードを書く前の段階

DeepMindは、創作、報道、教育、ゲーム、工学の分野の信頼できるテスターと試験を進めてきた。ゲーム開発者などは、最初のアイデアから歩き回れる試作まで数秒で進められるかを試している。エンジンのコードを1行も書く前に、見た目の作風、素材の質感、操作の仕組みを文章の指示で確かめるという。映画制作者は、場面の中に入って複数のテイクをその場で撮り、カメラの角度、照明、せりふ、動きを変えている。

TechCrunchによると、Genie 4の発表の筆者の一人であるDiego Rivasは、リアルタイム性が最も役立つのは発想や絵コンテの段階だと説明した。Rivasは、いずれGemini Omniで試作を制作素材に変えられるようになるとも述べたが、その機能はまだ先だという。

これらの使い方は、どれもエンジンで作り込む前の段階にあたる。完成したゲームの実行環境としてGenie 4を使う例は、DeepMindの説明にない。DeepMind自身も、今後の方向としてハイブリッドなワールドモデルを挙げる。コードと言語モデルの論理的で構造的な推論と、画素の単位のシミュレーションを組み合わせる考え方だ。TechCrunchによると、Googleの研究ディレクターのTejas Kulkarniは、Geminiがコードや文章を書き、Genieがそれをリアルタイムに取り込む形を説明した。

DeepMindの構想でも、規則や構造を受け持つ層は残る。その層が既存のゲームエンジンになるか、Geminiが書くコードになるかは、まだ示されていない。ゲームエンジンが不要になるかという問いに、今回の発表は答えを出していない。

LATENTは10月17日の記事で、ゲーム制作をAIに任せるなら、要求を状態の変化と確認条件に落とし込む必要があると書いた。状態を数値で読み出せるエンジンの上では、この確認をテストとして繰り返し実行できる。Genie 4で作った試作は、見た目と操作感の確認に使い、規則と状態はエンジンの側で作る分担が、現時点では現実的だと考える。

Project GenieでGenie 4が使えるようになったときに、LATENTが提案する確認の観点は3つある。1つ目は、同じ場所に戻ったときに物や配置が残っているか。2つ目は、文章の指示を何度か重ねた後も、作風や登場人物が保たれるか。3つ目は、看板や画面の文字のように、ゲームで読ませたい文字が読めるかだ。どの観点も、DeepMindが制約に挙げた点にあたる。

Google DeepMindの発表 / TechCrunchの記事 / 関連記事　DeepSeek新版、Godotでゲーム制作をデモ

使えるようになる時期と条件

Genie 4は現在、信頼できるテスター向けの研究プレビューとして提供されている。DeepMindは、Project GenieのGoogle AI Ultra契約者と、Gemini APIとGoogle AI Studioの早期アクセス先から提供を広げる予定だ。Project GenieでGenie 4を使うための順番待ちの登録も始まった。TechCrunchは、提供を広げる時期を今後数週間と報じた。APIの料金は発表されていない。

Project Genieは、1月29日に米国の18歳以上のGoogle AI Ultra契約者向けに公開された。5月19日には、世界の対象となるGoogle AI Ultra契約者へ順次提供を広げると発表された。この発表は、対象の国や地域を列挙していない。Genie 4がどの地域から使えるようになるかも、今回の発表には書かれていない。

Genie 4が生成する映像と音には、すべてSynthIDの電子透かしが入る。DeepMindは、ほかのモデルと同じ安全方針に沿ったガードレールを設け、内部の安全性評価を経てからテスターに提供したと説明している。

Google DeepMindの発表 / Project Genieの公開 / Project Genieの提供拡大

出典と確認範囲

仕様、提供条件、制約は、2026年10月28日に一次資料で確認した。発表日はDeepMindのブログの日付による。Genie 4の性能はDeepMindの説明と公開映像によるもので、LATENTは試用していない。解像度、フレームレート、APIの料金、提供開始日は公表されていない。TechCrunchが報じた最長2分という数値も、DeepMindの資料では確認できなかった。ゲームエンジンとの比較、制約とゲームの機能の対応づけ、確認の観点は、LATENTの分析と提案だ。