O Google DeepMind (abre em nova aba) anunciou nesta terça-feira (27) o Genie 4 (abre em nova aba), nova versão do seu "modelo de mundo". É um tipo de IA que não entrega um texto nem um vídeo pronto. Ele cria um ambiente que você explora enquanto ele vai sendo inventado. A novidade mais vistosa é o som: pela primeira vez, um modelo desse tipo da empresa gera áudio junto com a imagem, em tempo real. O detalhe mais interessante, porém, está debaixo do capô.
Para quem nunca viu um desses: você anda pela cena com as teclas do computador, como num videogame, e digita comandos para mudar o que está acontecendo. Dá para mover a câmera, fazer o tempo virar ou colocar um personagem novo na história. O Genie 4 calcula cada quadro na hora e agora produz, ao mesmo tempo, música, ruído ambiente e diálogos dos personagens. Segundo o TechCrunch, os mundos são fotorrealistas e a cena se mantém consistente por até dois minutos, o dobro do antecessor, o Genie 3, apresentado em agosto de 2025. Esse número de duração aparece na reportagem, não nos textos oficiais do Google.
No anúncio feito pela conta oficial no X, o laboratório escolheu destacar justamente as pessoas dentro da cena, e não as paisagens:
Este é o Genie 4, nosso modelo de mundo mais realista e interativo até agora. 🌐 Explore ambientes dinâmicos em tempo real para ver como a cena responde, como soa e como as pessoas nela se movem, reagem e falam.
Um diretor e um cenógrafo
O Genie 4 não trabalha sozinho. Ele se apoia na família Gemini (abre em nova aba), e cada peça tem uma função:
- Gemini Omni: segundo o DeepMind, ancora a simulação na aparência e no comportamento do mundo real.
- Outros modelos Gemini: fazem o raciocínio necessário para manter a coerência de um momento para o outro.
- Gemini 3.8 Flash: age como um agente-guia dentro do ciclo. Observa a cena, quebra um objetivo em etapas e revisa cada quadro novo que chega.
O TechCrunch resumiu a divisão assim: o Gemini é o diretor, e o Genie produz as imagens.
O site The Decoder chamou esse arranjo de uma versão moderna de desenhos de agentes anteriores aos grandes modelos de linguagem, os LLMs, tecnologia que está por trás dos chatbots. A lógica é ter uma peça que simula o mundo e outra que planeja o que fazer nele. Muita gente ainda imagina a IA como um único chatbot que resolve tudo. O Genie 4 mostra que o Google está montando times de modelos, cada um com seu papel. Acho a aposta mais honesta: imaginar uma cena e julgar se ela faz sentido são tarefas diferentes, e faz sentido entregá-las a sistemas diferentes.
O robô que não estava lá
A demonstração mais reveladora não tem nada a ver com games. O DeepMind está testando o Gemini 4 Argon junto com o Genie 4 e o Gemini Robotics. Num dos exemplos, o Argon divide uma partida de damas em etapas, e o Genie 4 mostra o humanoide Apollo, da Apptronik (abre em nova aba), executando a tarefa. Nenhum robô de verdade participou.
É aqui que a ambição fica clara. O Google afirma que simular o mundo é um passo crucial rumo à AGI, a inteligência artificial geral. Também diz que esses ambientes servem para treinar robôs e agentes com segurança, além de turbinar ferramentas criativas no cinema, no jornalismo, nos games e na indústria. Games e filmes são a vitrine. O que a empresa quer mesmo é um lugar onde máquinas possam errar sem quebrar nada de verdade.
O que ainda não funciona
O próprio DeepMind admite que o Genie 4 é um modelo inicial e experimental. Ele se mantém coerente em sessões curtas. Em sessões mais longas, depois de vários comandos complexos ou enquanto você navega, detalhes visuais mudam e objetos nem sempre continuam onde estavam. A empresa lista como pesquisa em andamento:
- interações físicas complexas;
- precisão do áudio em tempo real;
- texto legível;
- precisão espacial;
- consistência de longo prazo.
Dois minutos de coerência são uma eternidade numa demonstração e quase nada para todo o resto. Se a meta é treinar robôs, um mundo em que a mesa muda de lugar quando você vira a cabeça ensina mal.
O Google também não está sozinho nessa corrida. Segundo o TechCrunch, o lançamento chega alguns meses depois de a Runway (abre em nova aba) apresentar o GWM Worlds 2, um modelo "jogável" que responde aos comandos do usuário e também tem áudio. Ou seja, o som não é exclusividade do Google. O diferencial que a empresa tenta vender é a dupla Genie e Gemini.
Todo vídeo e áudio gerado pelo modelo carrega o SynthID, o sistema do Google para identificar conteúdo feito por IA. Quanto mais realistas ficam esses mundos inventados, mais essa etiqueta importa. O Genie 4 ainda esquece onde deixou as coisas, mas agora tem um diretor olhando por cima do ombro, e é essa dupla, mais do que o som, que vale acompanhar.