テキストプロンプトからプレイ可能な一貫性のある世界を作り出す。Google DeepMindの新たな汎用ワールドモデル「Genie 3」発表

　2025年8月5日，Google DeepMindは，汎用ワールドモデル「Genie 3」を発表した。テキスト形式のプロンプトを与えるだけで，操作できるインタラクティブな世界をリアルタイムで生成できる。
　フレームレートは24FPS，解像度は720pに対応し，数分間にわたり生成した世界の一貫性を保てるという。

記事中の画像はGoogle DeepMind公式サイト（外部リンク）より

　これまで操作可能なモデルとしては，「GameNGen」や「Genie 2」が2024年に発表されている。


　GameNGenは特定のゲーム（DOOM）に絞ったもので，操作方法やグラフィックスは対象のゲームに依存しているものの，数秒間にわたりリアルタイム生成可能だった。


　Genie 2では，対象を特定のゲームから3D環境全体に広げ，キーボードやマウスの入力を事前に渡すことで，リアルタイムではないものの，10秒から20秒の一貫性を保ったインタラクティブな世界を構築できていた。


　Genie 3では，ゲームのような3D空間に限らず，火山や夜景，台風などフォトリアルな世界も生成できる汎用的なモデルとなっている。
　物理法則を理解した動画生成モデルVeoで培った技術を継承したうえで，実際の操作に合わせて，リアルタイムで生成可能できる。


　さらに，移動入力だけでなく，プロンプトによって世界を改変することも可能だ。天気を変えたり，熊を出現させたりと，環境に変化を加えられる。
　また，3D環境向けのAIエージェントであるSIMAとの互換性もあり，生成された世界に対してエージェントに達成させたい目標を設定して，シミュレーションさせられる。


　Genie 3は，一貫性のある世界の構築のため，少なくとも1分前までの世界の情報を保持し，それをもとに各フレームを生成する。
　事前に3D環境を構築して，それをベースにするという方式ではなく，プレイヤーの操作やプロンプトにもとづいてフレームを逐次生成することで，動的で豊かな表現ができるという。

建物の左側にある木が，視界に入ったり消えたりしても，一定の位置に保たれている

　Google DeepMindは，Genie 3をワールドモデルにとっての重要な節目であるとし，将来的に多くのテスターに利用してもらえるように取り組んでいくとしている。

Google DeepMind「Genie 3: A new frontier for world models」