Project Genie i Genie 3: interaktywne światy AI

29 stycznia 2026 roku Google udostępniło Project Genie dorosłym subskrybentom Google AI Ultra w USA. Eksperymentalny prototyp pozwala tworzyć, eksplorować i remiksować interaktywne środowiska na podstawie tekstu i obrazów. Fundamentem jest Genie 3, model świata generujący widok kolejnej części środowiska w czasie rzeczywistym, gdy użytkownik się porusza.

To nie jest klasyczny silnik gry z gotową geometrią i deterministyczną fizyką. Generator wideo przewiduje kolejne klatki dla ustalonej sekwencji, a world model musi reagować na akcję, utrzymać położenie obiektów i przewidzieć skutki ruchu. Google samo określiło Project Genie jako research prototype i wskazało ograniczenia realizmu oraz kontroli postaci.

Dlaczego spójność jest trudniejsza niż ładny obraz

W tradycyjnym 3D obiekt istnieje w scenie także wtedy, gdy kamera go nie widzi. Model generatywny musi „pamiętać”, że drzwi zostały otwarte, przedmiot leży za graczem, a korytarz powinien prowadzić do tego samego pokoju po powrocie. Każdy krok zwiększa horyzont zależności. Krótka efektowna demonstracja nie dowodzi stabilności w długiej sesji.

World model może być użyteczny poza rozrywką: do generowania środowisk szkoleniowych dla robotów i agentów, symulowania rzadkich zdarzeń, prototypowania przestrzeni oraz edukacji. Jednak symulacja nie jest dowodem zachowania świata fizycznego. Agent wytrenowany w generowanym środowisku może nauczyć się artefaktów modelu, a nie rzeczywistych praw.

Jak oceniać model świata

Poza jakością obrazu trzeba mierzyć:

trwałość obiektów po wyjściu z kadru,
zgodność reakcji na tę samą akcję,
długość horyzontu bez rozpadu sceny,
sterowalność i opóźnienie wejścia,
różnorodność bez kopiowania danych treningowych,
możliwość odtworzenia i audytu sesji.

W zastosowaniu firmowym dochodzą prawa do promptów i obrazów referencyjnych, moderacja treści, prywatność nagrań oraz ryzyko generowania realistycznych scen podszywających się pod miejsca lub osoby. Materiał syntetyczny powinien być oznaczony, a scenariusze szkoleniowe zatwierdzone przez eksperta dziedzinowego.

Modele świata jako środowisko dla agentów

Najciekawszy kierunek to pętla agent–środowisko. Model językowy wybiera działanie, world model generuje konsekwencję, a agent uczy się na informacji zwrotnej. Jeżeli jednak środowisko ma exploitable błędy, agent może „wygrać symulator”, nie rozwiązując realnego zadania. Potrzebne są oddzielne środowiska walidacyjne i testy transferu.

Project Genie jest ważny, bo przesuwa generowanie z biernej treści do interakcji. Nie jest dowodem AGI ani gotowym zamiennikiem Unity. To publiczny eksperyment z fundamentem, który może zasilać symulacje przyszłych agentów. Więcej o kontrolach działania opisujemy w bezpieczeństwie agentów w przeglądarce.

Pipeline od promptu do interakcji

Użytkownik definiuje świat tekstem lub obrazem referencyjnym, system inicjalizuje scenę, a następnie na każdym kroku łączy bieżący widok, historię i akcję sterowania. Model musi wygenerować kolejną obserwację w budżecie czasowym pozwalającym na interakcję. Opóźnienie i kumulacja błędów są ze sobą związane: większy model może być dokładniejszy, ale wolniejszy.

W architekturze badawczej warto oddzielić reprezentację stanu od renderu. Jeżeli jedyną pamięcią jest poprzednia klatka, powrót po długiej trasie będzie trudny. Zewnętrzna mapa lub latent state może poprawić trwałość, ale zwiększa koszt i tworzy dane wymagające wersjonowania.

Bezpieczne użycie w symulacjach

Scenariusz szkoleniowy powinien mieć etykietę, seed, wersję modelu i ograniczenia. Wynik agenta testowanego w jednym generowanym świecie nie może automatycznie przejść do produkcji. Potrzebne są testy w symulatorze klasycznym, środowisku fizycznym lub na niezależnym zestawie nagrań.

W robotyce szczególnie ważny jest conservative fallback. World model może nie przewidzieć śliskiej powierzchni, człowieka poza kadrem lub opóźnienia sensora. Kontroler bezpieczeństwa musi działać poza generatywną pętlą i potrafić zatrzymać urządzenie.

Pochodzenie generowanego świata

Obraz referencyjny może zawierać twarz, markę albo prywatne wnętrze. Ustal, czy jest przechowywany, używany do uczenia i dostępny w galerii remiksów. Moderacja powinna obejmować prompt, input oraz kolejne wygenerowane stany, ponieważ bezpieczny start może ewoluować w niedozwoloną scenę.

Czy świat jest zapisanym plikiem 3D? Komunikat Google opisuje generowanie drogi w czasie rzeczywistym, nie eksport kompletnej, deterministycznej geometrii. To inny model pracy niż tradycyjny asset pipeline.

Co uznać za postęp

Najważniejszy nie jest pojedynczy fotorealistyczny kadr, lecz dłuższa spójna interakcja przy niskim latency. Kolejne wersje warto porównywać na tych samych trasach: powrót do punktu startu, manipulacja obiektem, zmiana oświetlenia i reakcja na nieoczekiwane działanie. Dopiero poprawa tych metryk pokazuje rozwój modelu świata, a nie generatora obrazu.

Źródła pierwotne: Google — Project Genie, Google DeepMind — Genie 3.