10月28日、The Decoderが「Google Deepmind's Genie 4 puts a modern spin on agent designs that predate LLMs」と題した記事を公開した。Google DeepMindが発表した新世代の世界モデル「Genie 4」の技術的詳細と、LLM以前のエージェント設計を現代的に再解釈したそのアーキテクチャについて詳しく取り上げている。
Genie 4とは何か
Genie 4は、Google DeepMindが2025年5月に公開したGenie 3の後継モデルだ。完成した動画を生成するのではなく、シーンをフレーム単位でリアルタイムに計算し、ユーザーの入力に応じて反応し続けるという点が本質的な特徴である。キーボードによる移動と、テキストプロンプトによるイベント操作を組み合わせて、インタラクティブな世界を探索できる。
世界モデル（World Model）とは、環境の動作を内部的にシミュレートするモデルの総称で、強化学習の文脈では1990年代から研究されてきた概念だ。David HaとJürgen Schmidhuberによる2018年の論文「World Models」が広く知られており、エージェントが「頭の中」で環境を想像しながら行動を計画するというアイデアは、LLMが登場するはるか以前から存在する。Genie 4はその古典的な設計思想を、ビデオ生成と大規模言語モデルで現代的に再構築した試みとして位置づけられる。
エンジニアが注目すべき設計：GeminiがPlannerとして機能する
Genie 4の最も興味深い点は、世界のシミュレーション（Genie）とプランニング（Gemini）を明確に分離したアーキテクチャにある。
元記事によると、Genie 4はGeminiの動画生成能力を基盤として、世界の見た目と挙動のリアリティを担保する。一方、別のGeminiモデル群がシミュレーションの整合性を保つためのプランニングを担う構成だ。元記事では動画生成の基盤となるモデルの名称として記述されているが、一般的なGeminiシリーズの公称名称との対応については元記事を直接確認されたい。
具体的な処理フローはこうだ：
- Gemini 3.8 Flash（元記事での記載に基づく）がシーンを継続的に監視し、ユーザーの目標を複数ステップに分解する
- 各ステップが正しく実行されたかどうかを、新たに生成されたフレームを使って検証する
- 世界の状態が変化したり、ユーザーが介入したりした場合、プランを動的に修正する
たとえばユーザーがテキストプロンプトで天候を変更すると、Geminiが現在のシーンの文脈に合わせてその指示を解釈・適応させる。ユーザーが何も操作していない間も、Geminiが世界を「意味のある方向」に進め続ける。
これは、LLMをプランナーとして使い、別のモデルを実行エンジン（アクチュエータ）として使うという、近年のLLMエージェント設計と構造的によく似たアプローチだ。ReActやVoyagerといった先行研究でも「推論モデルと実行モジュールの分離」は共通するテーマだが、Genie 4の場合、実行エンジンがコードではなくピクセルレベルのシミュレーションである点が異なる。
ロボティクス研究との接続
DeepMindはGenie 4を自社のロボティクス研究「Gemini Robotics」とも連携させる実験を進めている。具体的にはGemini 4 Argonを使い、チェッカーゲームをプレイするタスクをステップに分解させ、その指示をGenie 4に渡すことで、Apptronikのヒューマノイドロボット「Apollo」がゲームをプレイする様子をシミュレートするデモを実施した。実機のロボットは一切使用していない。
実際のロボットを使わずに仮想環境でタスクを検証できるというこの方向性は、DeepMindが描く「世界モデルをロボット・AIエージェントの訓練環境として使う」という長期的なビジョンと直結している。物理シミュレーターを必要とせず、ビデオ生成モデルが訓練データ生成器として機能するという発想は、Isaac SimやMuJoCoといった従来の物理エンジンベースのアプローチとは異なる路線であり、研究コミュニティにとっても注目すべき方向性だ。
※編集部の考察：世界モデルをロボット訓練環境として活用するアプローチは、Google DeepMind以外にもMeta（V-JEPA系統）やOpenAI（Sora以降の研究方向）でも模索されており、Genie 4はその文脈における一つの具体的な実装例として読める。
現時点での限界
DeepMindはGenie 4を「初期の実験的モデル」と位置づけており、以下の制限を明示している：
- 短いセッションでは整合性を保てるが、長いセッションや複数の複雑なプロンプト変更後に、視覚的な詳細がずれたりオブジェクトが消えたりする
- 複雑な物理インタラクション、正確なリアルタイム音声、テキストの可読性はまだ研究段階
- 現在は限定的なテスターのみに公開（リサーチプレビュー）。近日中にGoogle AI Ultraサブスクライバー向けのProject Genie WebアプリとGemini APIの早期アクセスパートナーにも展開予定
なお、生成された動画・音声はすべてDeepMindの透かし技術**SynthID**でマーキングされる。
「LLM以前の設計」を現代的に再解釈する意味
今回のGenie 4が示すアーキテクチャは、単に「すごいデモ」ではなく、プランナーとシミュレーターを分離するというエージェント設計の古典的なアイデアを、大規模なビデオ生成モデルで実装し直した試みとして読める。
DeepMindは、GeminiとGenieを組み合わせることを「言語・コードモデルの推論能力とピクセルレベルのシミュレーションを統合するハイブリッド世界モデルへの初期ステップ」と表現している。1990年代から続く世界モデル研究の系譜に照らせば、Genie 4が「初期ステップ」と自称しているのは謙遜ではなく、技術的に正確な自己評価でもある。同時に、ビデオ生成モデルの品質がここまで向上したからこそ、この古典的な設計が実用的な形で実装できるようになったという事実は、基盤モデルの進化がエージェント設計の可能性を広げていることを端的に示している。
詳細はGoogle Deepmind's Genie 4 puts a modern spin on agent designs that predate LLMsを参照していただきたい。
