要点
Genie 4は、Google DeepMindが2026年10月27日に発表した新しいリアルタイム世界モデルですが、まだ利用できません。プロンプトから探索可能な世界を生成し、音声や会話もネイティブに生成できるほか、実行中にテキストでシーンを変更できます。信頼されたテスター限定の研究プレビューで、Google AI Ultra（月額$99.99から）のProject GenieとGemini APIでの提供は"coming soon"とされていますが、日程も価格も公表されていません。
ほとんどの報道が触れていない点があります。本当の変化は、ループに2つ目のモデルが加わったことです。Gemini 3.8 FlashはGenie 4が描画するすべてのフレームを監視し、目標をステップに分解して、各ステップが達成されたかを確認します。テキストによる操作自体は新しくなく、Genie 3にもありました。また、今回Googleが公開した仕様は以前より少なく、解像度、フレームレート、パラメータ数、ベンチマークのいずれも示されていません。
サポートチームを運営しているなら、Genie 4が問い合わせキューに関わることはありません。ただし、その「計画、実行、確認」のループは、ユーザーの代わりに行動するあらゆるAIに適したモデルであり、私がAIヘルプデスクエージェントを評価する際の基準でもあります。顧客に回答する前に、自社の過去のチケットでテストされていることです。それこそがeeselの行っていることです。
私がGenie 4を掘り下げた理由
私はeeselで、サポートチケットを読み、情報を調べ、次に何をするかを判断するAIエージェントを開発しています。ここ数年、実際のヘルプデスクの問い合わせキューにエージェントを導入してきて、強く印象に残った教訓は、問題の原因がモデルにあることはめったにないということです。問題なのは、あるステップを実行しても、それがうまくいったかを確認せず、自信満々に進み続けるエージェントです。そのため現在、eeselの導入では必ず、本番稼働の前にチームの過去のチケットを使ってシミュレーションを行っています。
ですから、DeepMindの発表が事実上"we put Gemini in the loop to check every step"と述べていたとき、私はドラゴンの映像よりも、その一文に注目しました。この記事では、Genie 4とは何か、実際に何が新しいのかを確認し、デモが示すもの（そしてうまくいっていない点）、利用方法、Googleがまだ明らかにしていない点を見ていきます。テスターグループ以外はまだ誰も触れていないため、ここに書いた内容はすべてDeepMind自身のページと公開の議論に基づいています。
Genie 4とは何ですか？
Genie 4は世界モデルです。インタラクティブな環境をリアルタイムでフレームごとに生成し、その中を移動すると反応するAIシステムです。場所を説明するか、参考画像を渡すと、キーボード操作で歩いたり、飛んだり、車で走ったりできます。その間、モデルは次の角の向こうにあるものを作り出しています。
Raia Hadsell、Diego Rivas、Hang QiによるDeepMindの発表記事では、これを"natively multimodal"と呼んでいます。音や音楽、会話も、後から追加するのではなく、世界と一緒に生成されます。また、記事によれば、このモデルは2つの形でGeminiファミリーを基盤にしています。Gemini Omniがシーンの見た目や振る舞いを現実世界に"anchors"し、ほかのGeminiモデルがシミュレーションの一貫性を保つための推論を担当します。
これが重要である理由としてGoogleが掲げる用途は、かなり幅広いものです。Googleの発表ブログでは、ロボットやエージェントのための安全な訓練用世界に加えて、映画、ジャーナリズム、ゲーム、製造での創造的な用途を挙げています。DeepMindは世界シミュレーションをAGIへの一歩と位置づけています。それが長期的な目標であり、目先にあるのは、ウェイトリストに登録できるプレビューです。
このシリーズに初めて触れる方に向けて、前モデルの一般ユーザー向けの側面は、すでにProject Genieの詳細解説で取り上げています。
Genie 3と比べて、Genie 4で実際に新しくなったのは何ですか？
Genie 4には、Genie 3になかったものが3つ加わりました。ネイティブ音声、ループ内のGeminiプランナー、そしてリアリティを高めるGemini Omniです。一部の発表報道からはそう読めるかもしれませんが、リアルタイムのテキスト操作は新機能ではありません。
2025年8月に発表されたGenie 3には、DeepMindが"promptable world events"と呼ぶ機能がすでにありました。プロンプトを入力して、シーンの途中で天候を変えたり、物体やキャラクターを追加したりするものです。変わったのは、そのプロンプトを解釈する役割です。Genie 4では、"Gemini will contextually adapt your prompt to match the surrounding scene"とされ、入力と入力の間には、Geminiが"monitors and steers the scene to keep the world progressing cohesively."と説明されています。
以下は、DeepMindが公開した情報だけを使った比較です。
| Genie 3（2025年8月） | Genie 4（2026年10月） | |
|---|---|---|
| ネイティブ音声 | なし | あり：環境音、音楽、インタラクティブな会話 |
| シーン途中のテキスト操作 | あり（"promptable world events"） | あり。Geminiがプロンプトをシーンに合わせて調整 |
| ループ内のプランナー | なし | Gemini 3.8 Flashがステップを計画し、フレームを確認 |
| リアリティのレイヤー | 記載なし | Gemini Omniが現実世界に即した見た目や振る舞いを支える |
| 解像度 / フレームレート | 720p、24 fps | 非公開 |
| 継続的なインタラクション | 数分間 | 数分間 |
| 発表時の利用方法 | 研究プレビュー、その後Project Genie | 信頼されたテスター、その後Project GenieとGemini API |
| ウォーターマーク | SynthID | 動画と音声にSynthID |
目立たない後退があるのは、モデルではなく仕様表です。Genie 3の発表記事では、720p、毎秒24フレーム、そして"as far back as one minute ago."までさかのぼる視覚的記憶が示されていました。Genie 4の記事にはこれらの数値が一切なく、比較表もありません。すべての点で改善している可能性は十分ありますが、私には確認できません。
公表内容を見る限り、セッション時間は変わっていません。どちらのページにも、モデルが"a few minutes"の継続的なインタラクションをサポートするとあります。一部のメディアは2倍になったと報じましたが、私が見つけたDeepMindのページにはその数字がないため、ここには含めていません。
Genie 4はGeminiとどのように連携するのですか？
Genie 4は、2つのモデルがループ内で連携する形で動作します。Genieが世界を描画し、Gemini 3.8 Flashが計画と確認を行う"guiding agent"として機能します。これは発表全体で最も興味深い段落なので、以下ではDeepMindの説明をわかりやすく言い換えます。
Genie 4が世界を生成する間、Geminiはシーンを観察し続け、目標を一連のステップに分解します。その後、入ってくるフレームを確認して、"track the progress and verify that each step succeeded."を行います。世界がずれたり、ユーザーが介入したりすると、Geminiはその場で計画を変更します。DeepMindによれば、これによって"reliable causality, procedural behaviors, and multi-step reasoning."が可能になります。
言い換えると、Genie単体は次のフレームを非常にうまく推測するモデルであり、それを計画に従えるものに変えているのがGeminiです。Gemini 3.8 Flashのレビューでは、ここで確認役を担うモデルを取り上げています。高速で低コストなモデルなので、リアルタイムでフレームを確認しなければならない役割には理にかなっています。
DeepMindは、より大きなモデルを使った同様の仕組みも披露しました。ロボティクスのデモでは、Gemini 4 Argonが詳細な複数ステップの計画を書き、シミュレーションの描画中に各ステップがテキストキャプションとしてGenie 4へ渡されます。例として使われたのは、チェッカーをプレイするApptronikのヒューマノイドApolloです。
ロボティクスとのつながりは、Googleにとって新しいものではありません。Gemini Robotics 2やロボティクス向けGemini 4 Argonの取り組みと並ぶもので、DeepMindのモデルページには、Genie 4の世界がSIMAのようなエージェントにとって"learn new skills."の場になり得るとあります。DeepMindはこの方向性を"hybrid world models"と呼んでいます。言語モデルとコードモデルが構造や物語の時間軸を担当し、ピクセルモデルが見た目や音を担当するものです。
Genie 4のデモは実際に何を示していますか？
デモは、特に人物や音声のリアリティが大きく向上したことを示す一方で、Genie 3と同じ一貫性の問題も見せています。DeepMindはこれらを、リアルタイム操作、物理現象と人間の動作、音声、Geminiによって駆動される複雑なイベントという4つの能力に分類しています。
DeepMindによれば、これらの映像はリアルタイムセッションの録画で、操作には"standard keyboard controls for navigation and camera control, and text prompts to steer."を使っています。私が特に注目したものをいくつか挙げます。
- 人物。 DeepMindは人間のシミュレーションを"the most dramatic leap"と呼んでいます。混雑した1980年代の日本の駅のホームや、劇場の舞台裏を歩く映像は、確かにゲームエンジンよりも実写にずっと近く見えます。
- 音声。 Genie 4は、DeepMindの"first real-time world model to generate audio natively."です。湖上でサックスを演奏する映像では、楽器、風、そして水の音もすべてモデルから生成されています。
- 物理現象。 カエデの種が落ちる様子や南極上空の熱気球といった空気力学、そして大理石の胸像をスイカに落とすような衝突の例があります。
- ロボットのタスク。 Universal RobotsのUR5アームがピペットを持ち、実験用プレートに液体を分注します。
利用する予定なら、プロンプトは読む価値があります。長く具体的で、カメラに関する知識も豊富に盛り込まれています。"photographed on 16mm film"、"the camera is not attached to the man or the platform"、"no HDR"といった具合です。DeepMindはGenieのプロンプトガイドも公開しています。良い出力を得るために必要なのは、ひと言の指示ではなく監督の演出指示書だとわかります。
Genie 4について、どのような声が上がっていますか？
Hacker Newsのスレッドは、発表当日に642ポイントと390件のコメントを集め、感心しつつも懐疑的な雰囲気でした。鋭い指摘のほとんどは一貫性に関するもので、これはまさにDeepMindが最大の制限として挙げている点です。
ある読者は、ドラゴンのデモをフレームごとに確認しました。
"A big chunk of the right side of castle disappeared, including catapult, when camera turned back while flying on dragon. See 1:25 to 1:29. I was not expecting this to happen in a "world model"."
別の読者は、この傾向をより一般的な形で表現しています。私はこれがデモに対する最も公平な見方だと思います。
"It's very good at maintaining consistency for things that stay in frame, but I don't know that this points to it developing a strong "world simulation" like they claim."
もう1つの大きな話題は、情報公開の姿勢でした。こちらのHacker Newsのコメントでは、ある投稿者が"very hard to get me excited about yet another proprietary model for which absolutely zero technical details are released (not even the number of parameters)"と述べています。ただし、ロボット訓練の話を誇大宣伝だと考える人ばかりではありません。懐疑的な意見への返信では、世界モデルがすでに自動運転車の訓練に使われていると指摘されていました。
"A proprietary version of this technology is already training Waymo's robot cars. Waymo blogged about their DeepMind-provided world model a year ago."
私の見方はこうです。リアリティは本物ですが、「世界」の部分はまだ主に画面上にあるものに限られます。フレームの外に出たものが、違う姿で戻ってくることがあります。映画のプリビズの草案なら問題ありませんが、ロボットの訓練に使いたい場合は、ずっと重要な問題になります。
GoogleがGenie 4について明らかにしていないことは何ですか？
Googleは、パラメータ数、ベンチマーク、解像度やフレームレート、"a few minutes"を超えるセッション制限の詳細、価格、APIドキュメントのいずれも公開していません。公開したのは、異例なほど率直な制限事項の一覧です。Genieのモデルページで全文を読む価値があります。
DeepMindによれば、Genie 4にはまだ次の課題があります。
| 制限事項 | DeepMindの説明 |
|---|---|
| 一貫性のある環境 | 見た目の細部や物体の永続性がずれることがあり、長いセッション、複数回のプロンプト編集後、移動時にはその傾向が強まる |
| ほかのエージェント | ユーザー、複数のエージェント、共有環境の間の相互作用のモデル化は、依然として研究課題 |
| 実在の場所 | 現実世界の場所を完全に正確にシミュレーションすることはできない |
| テキスト | 明瞭なテキストは、通常、世界の説明に含まれている場合にのみ表示される |
| 継続時間 | 数分間の継続的なインタラクションであり、長時間のセッションではない |
| 音声 | リアルタイム音声の精度は、現在も改善中 |
安全性についてGoogleは、Genie 4が社内の安全性評価を受けており、ほかのモデルと同様のガードレールを備えているとしています。また、生成するすべての動画と音声に、Googleの目に見えないウォーターマークであるSynthIDが付与されると説明しています。Genie 3と同じアプローチですが、今回は音声にも拡張されています。
Genie 4はどうすれば利用でき、料金はいくらですか？
現時点では、信頼されたテスターでない限り利用できません。Googleによれば、Genie 4は次に、Project GenieでGoogle AI Ultraの加入者に、Gemini APIとGoogle AI Studioでは早期アクセスパートナーに提供される予定です。今すぐGenie 4のウェイトリストに登録できます。
一般ユーザー向けのルートが最も明確です。Project GenieはGoogle Labsの世界構築アプリで、Googleのプランページには、140を超える国で利用できるUltra限定機能として掲載されています。2026年10月28日時点でも、そのページではProject GenieがGenie 3で動作すると説明されています。
Google自身のページをもとに、各ルートの現在の料金をまとめました。
| Genie 4の利用ルート | 状況（2026年10月28日） | 料金 |
|---|---|---|
| 信頼されたテスター向けプログラム | 提供中、招待制 | 非公開 |
| Google AI UltraのProject Genie | 近日提供予定 | Ultraは月額$99.99から（Proの5xの利用枠）、または月額$199.99（Proの20xの利用枠）、米国 |
| Gemini APIとGoogle AI Studio | 近日提供予定、早期アクセスパートナー向け | Genie 4の料金は未公表 |
つまり、多くの人にとって現実的な進め方は、ウェイトリストに登録し、すでにUltraを契約しているなら、Project Genieのモデル切り替えを待つことです。開発者向けには、まだ開発に使えるものがありません。それまでは、Google AI StudioとGemini APIで、Genie 4のリアリティのレイヤーを支えるGemini Omni Flashを含む、Geminiファミリーのほかのモデルを利用できます。
Genie 4は誰に向いていますか？
信頼されたテスターに関する記述を見る限り、初期の用途は本番運用ではなく、クリエイティブや企画の作業です。DeepMindは4つ挙げています。
- 映画のプリビズ。 監督がシーンの中に入り、カメラ、照明、会話、アクションを変えながら、複数の"takes"をリアルタイムで試します。
- ジャーナリズムと歴史。 1枚の記録写真を探索可能なシーンに変えたり、鉄砲水や山火事がどのように進行するかを示したりします。
- ゲームのコンセプト。 "before writing a single line of engine code."の段階で、アイデアから探索可能なプロトタイプを作ります。
- シミュレーション。 DeepMind自身のロボティクス研究と並行して、企業パートナーが迅速なシナリオ生成のためにテストしています。
動画を制作するなら、Sora 2、Runway、Kling AIなど、今使えるツールと比較してみてください。これらは固定の映像クリップを作るのに対し、Genieはユーザーが移動できる世界を作ります。役割が違うのです。
Genie 4はカスタマーサポートチームにとって重要ですか？
製品としては、そうではありません。Genie 4は世界を描画するもので、返金の依頼にシミュレーションされた駅のホームで答える人はいません。ただし、サポートの問い合わせキューでAIを運用する人にとって、そのアーキテクチャは今回の発表で最も役立つアイデアです。
ループ内でGeminiがしていることを見てください。目標をステップに分解し、実行し、結果を確認して、調整します。Genie単体では、説得力のあるフレームを生成しても、気づかないうちに計画からずれることがあります。サポートAIも同じように失敗します。ポリシーや注文データに照らして確認する仕組みがないまま、自信のある返信を書くモデルも、やはり推測しているだけです。サポートにおけるAIのハルシネーションは、そこから生まれます。
ですから、私がベンダーに尋ねたいのは「どのモデルを使っていますか？」ではありません。「何がモデルを確認していて、まず自分たちのチケットで動作を見られますか？」です。その確認を具体化すると、次のようになります。
- 本番稼働前に過去の履歴でテストする。 過去のチケットでエージェントを実行し、どのような返信を送ったはずかを読みます。AIエージェントをテストする方法については、別の記事にまとめました。
- すべての回答に情報源の裏づけを持たせる。 エージェントはヘルプセンターと過去の返信をもとに回答し、使用した情報源へのリンクを付けるべきです。
- いつ引き下がるべきかを把握する。 賢いモデルより、明確な引き継ぎルールのほうが役立ちます。AIエージェントの引き継ぎのベストプラクティスをご覧ください。
SamCartは、このようにeeselを設定しました。まずヘルプセンターと過去のFreshdeskのチケットを読み込み、その後、メールのチケット用に1つ、ウェブサイトのチャット用に別のエージェントを運用しました。どちらも約280件のヘルプセンター記事をもとに回答し、公開記事だけにリンクします。チケット担当のエージェントは、チームメンバーがそのチケットを引き受けた瞬間に返信を止めます。同じ計画-実行-確認の規律を、ドラゴンではなく問い合わせキューに適用しているのです。
この用途でモデルを比較しているなら、私のサポートチケットに最適なモデルの解説では、どのモデルが実用に耐えるかを取り上げています。また、AIエージェントとAIチャットボットの比較では、なぜモデルよりもループが重要なのかを説明しています。
今の時点でGenie 4に注目すべきですか？
映画、ゲーム、シミュレーション、ロボティクス研究に携わっているなら、答えは「はい」です。ウェイトリストに登録しましょう。リアリティとネイティブ音声はGenie 3から確実に進歩しており、Geminiをループに組み込む設計は、世界モデルが向かう方向を示しています。今四半期にこれを使って開発したいと考えていたなら、答えは「いいえ」です。APIも価格も仕様表もありません。
それ以外の人にとっては、より広い考え方を知る良いプレビューです。Googleは、世界モデルを大きくすることで信頼性を高めたのではなく、計画と確認だけを役割とする2つ目のモデルを追加しました。顧客対応に使うAIが何であれ、私ならこの教訓を持ち帰ります。エージェントの全体像を知るために次に読むなら、私のおすすめAIエージェントのまとめやAIエージェントの事例が役立ちます。
自分の仕事を確認するAIを求めるなら、eeselをお試しください
Genie 4には、すべてのフレームを確認するGeminiが必要です。サポートAIにも、すべての返信に対して同じ仕組みが必要です。eeselは、Zendesk、Freshdesk、Gorgiasの既存の問い合わせキューに加わり、ヘルプセンターや過去のチケットから学ぶAIヘルプデスクのチームメイトです。また、顧客に1件も回答する前に、自社のチケット履歴を使って動作を試すことができます。
SamCartは、同じヘルプセンターをもとに、チャネルごとに1つずつ、計2つのエージェントを運用しています。先月のチケットにどのように回答していたかを見てみたいなら、無料でeeselをお試しください。