Genie 4 simule le monde en temps réel, mais ne tient que quelques minutes
Google DeepMind présente Genie 4, un modèle de monde en temps réel avec son et dialogues. Mais sessions courtes, accès payant : vitrine ou vraie avancée ?
Google DeepMind annonce Genie 4, un « modèle de monde » capable de fabriquer, image par image, un univers interactif avec son et personnages qui parlent. La démonstration impressionne. Mais le modèle reste un prototype, ses mondes s’effritent au bout de quelques minutes et l’accès sera payant.
Ce que DeepMind annonce
Dans son article de présentation, signé Raia Hadsell, Diego Rivas et Hang Qi, DeepMind parle de « réalisme sans précédent » et d’une simulation interactive en temps réel. Genie 4 est présenté comme « nativement multimodal » : musique, bruits d’ambiance et dialogues sont générés en même temps que le monde.
L’utilisateur se déplace avec les touches du clavier et oriente la scène avec des instructions écrites. Il peut changer la météo, déplacer la caméra ou ajouter une personne ou un objet. Le modèle ne produit pas une vidéo finie : il calcule la scène au fil de l’eau et réagit à chaque consigne.
Selon DeepMind, le plus grand bond concerne les humains simulés. Les personnages doivent bouger naturellement, réagir à leur environnement et pouvoir être pilotés en direct. La physique progresse aussi, avec des scénarios comme l’aérodynamique ou les collisions.
Genie 4 succède à Genie 3, dévoilé en août 2025 selon The Decoder. Ars Technica rappelle que Genie 3 avait fait chuter des valeurs boursières du jeu vidéo. DeepMind, lui, ne veut pas qu’on y voie un simple moteur de jeu : pour le laboratoire, comprendre et simuler le monde est une étape vers l’intelligence artificielle générale (AGI).
Comment ça marche : Gemini garde la main en coulisses
La nouveauté tient moins à la génération d’images qu’à ce qui la surveille. Genie 4 s’appuie sur la famille Gemini. D’après DeepMind, Gemini Omni ancre la simulation dans l’apparence et le comportement du monde réel. D’autres modèles Gemini fournissent le raisonnement qui préserve la cohérence et la continuité.
The Decoder et Ars Technica donnent plus de détails. Un modèle, Gemini 3.8 Flash, observe la scène en continu. Il découpe un objectif en étapes, puis vérifie sur les nouvelles images si chaque étape a fonctionné. Si le monde change ou si l’utilisateur intervient, il ajuste son plan. Entre deux consignes, Gemini continue de faire avancer la scène de façon plausible.
DeepMind teste aussi un modèle appelé Gemini 4 Argon pour relier Genie à ses travaux de robotique. Dans une démonstration rapportée par The Decoder, Argon découpe une partie de dames en étapes. Genie 4 les reçoit sous forme d’instructions écrites et simule le robot humanoïde Apollo, d’Apptronik, en train de jouer. Aucun robot réel n’intervient.
Ce que cela montre : une simulation peut servir de terrain d’essai pour un agent. Ce que cela ne montre pas : que ce qui marche dans la simulation marche sur un vrai plateau, avec de vraies pièces et un vrai bras mécanique.
Les limites que Google reconnaît lui-même
DeepMind qualifie Genie 4 de modèle précoce et expérimental. Le monde reste cohérent sur de courtes sessions. Sur des sessions plus longues, ou après plusieurs changements complexes de consignes, des détails visuels peuvent bouger et des objets ne persistent pas toujours, relève The Decoder.
Ars Technica chiffre cette limite : les mondes de Genie 4 ne restent cohérents que pendant « quelques minutes » avant d’oublier comment tout a commencé. C’est court pour un jeu, pour une formation ou pour l’entraînement d’un robot.
DeepMind indique aussi continuer à travailler sur trois points :
- les interactions physiques complexes ;
- le son précis en temps réel ;
- le texte lisible dans les scènes.
Précision utile : les extraits de démonstration publiés par DeepMind sont choisis par DeepMind. Ils montrent ce que le modèle sait faire de mieux, pas sa fréquence d’échec. Le laboratoire promet par ailleurs que les vidéos et les pistes audio porteront son filigrane SynthID, qui marque de façon invisible les contenus générés par IA.
Une idée ancienne dans un emballage récent
Le titre de The Decoder résume le point de vue du média : Genie 4 donne « un tour moderne » à des conceptions d’agents qui précèdent les grands modèles de langage (LLM). Le principe : un agent fixe un but, le découpe en étapes, agit, observe le résultat et corrige. Ici, Gemini joue ce rôle de planificateur au-dessus d’un simulateur qui calcule les images.
Ce rapprochement est notre lecture de la description technique, pas une affirmation de DeepMind. Le laboratoire parle d’un « premier pas » vers des modèles de monde hybrides, qui combinent le raisonnement des modèles de langage et de code avec une simulation au niveau du pixel.
Ars Technica fait un parallèle voisin : ce pilotage ressemble à la façon dont les modèles de raisonnement génèrent des consignes internes supplémentaires pour viser la bonne sortie. La question ouverte : la cohérence vient-elle du simulateur ou du planificateur ? Tant que les mondes s’effondrent après quelques minutes, la réponse reste incertaine.
Qui peut l’utiliser, et pour quoi faire
Pour l’instant, personne ou presque. DeepMind décrit un aperçu de recherche pour des testeurs de confiance. Viendront ensuite les abonnés Google AI Ultra via Project Genie, et des partenaires en accès anticipé à l’API Gemini et à Google AI Studio. Il existe une liste d’attente.
Selon Ars Technica, aucun calendrier précis n’existe. Les tarifs pour les développeurs ne sont pas publiés. Côté grand public, l’accès arrivera par phases avec les offres AI Ultra, qui démarrent à 100 dollars par mois. Google pourrait ouvrir plus tard à AI Pro et AI Plus, sans engagement. Project Genie limitera aussi ce qu’on pourra faire.
Les usages cités par DeepMind sont les environnements d’entraînement pour robots et agents, et de nouvelles expériences interactives. Ars Technica y ajoute le prototypage rapide pour les métiers créatifs. Un studio de jeu, un atelier de robotique ou un service de formation y voient des pistes. Mais avec des sessions de quelques minutes et sans prix, personne ne peut encore chiffrer un usage professionnel.
Reste la question des humains simulés. Des personnages qui parlent et réagissent de façon crédible rendent les démonstrations plus convaincantes. Ils rendent aussi plus difficile de distinguer le simulé du filmé. Le filigrane SynthID est invisible : il aide si l’on dispose d’un outil pour le lire, pas à l’œil nu.
Trois choses à observer dans les prochains mois : la durée réelle de cohérence des mondes, les tarifs de l’API pour les développeurs, et des résultats de robotique obtenus ailleurs que dans une simulation. Ce sont elles qui diront si Genie 4 est un outil ou une vitrine.
