20月2026日、Google DeepMindはGemini 4とGenie 4の新バージョンの提供開始を発表した。これらはリアルな世界シミュレーションの生成能力とロボット学習への応用を大幅に拡張するものである。今回のアップデートは、ワールドモデルおよびvision-language-actionシステム分野における従来の成果に基づきつつ、リアルタイム性とマルチモーダル性に重要な改善を導入している。
Genie 4はネイティブにマルチモーダルなワールドモデルであり、最大720p解像度・24 fpsの視覚シーンだけでなく、同期された音声コンテンツ、すなわち環境音、音楽、キャラクターの対話も生成する。このモデルは、シミュレーションを現実世界にアンカリングするためのGemini Omniの機能と、シーンの一貫性および連続性を維持するための他のGeminiバリアントを統合している。ユーザーはテキストプロンプトを通じてリアルタイムにシミュレーションへ働きかけ、天候を変えたり、オブジェクトやキャラクターを導入したりできる。その際、Geminiのコンポーネントが変更を文脈に応じて適応させ、物理的な妥当性を監視する。
ロボティクス分野では、シミュレーションエンジンとして機能するGemini 4 Argonが重要な役割を果たす。これは実際の映像シーンに基づいて数千の多様なシミュレーション実行を生成し、デジタルツインを作り出してスキルの汎化を加速する。これにより、現時点で最も先進的なVLAモデルであるGemini Robotics 2.5の開発が可能になった。DeepMindによれば、このモデルはタスクの種類に応じて成功率が30~100 %向上し、実行速度が以前のバージョンと比べて20~30 %加速する。これは変形可能な物体や繊細な工具の扱いを含む200以上のタスクでテストされている。
評価手法には実験室でのテストと実環境でのパイロット運用の両方が含まれる。たとえばMercedes-Benzの生産ラインにおけるロボットApptronik Apollo 2では、部品のキッティング作業で96 %の成功率を達成した。しかしDeepMindは外部モデルとの比較に関する詳細なベンチマークを公開しておらず、焦点は内部指標とsteerability、すなわちリアルタイムで危険を回避する能力に置かれている。このため、再現性や、OpenAIやBoston Dynamicsのembodied AIにおける取り組みなど、他研究室の並行するアプローチとの比較については疑問が残る。
ワールドモデルの状況において、Genie 4はGenie 3を基盤とし、coherentなシミュレーションの継続時間を倍増させ、ネイティブ音声を追加している点が、Runwayのような純粋に視覚的な生成器とDeepMindのアプローチを異ならせている。ロボティクス向けのGemini 4 Argonとの統合は閉ループを形成する。すなわち、シミュレーションがVLAモデルの学習を加速し、そのモデルが今度はシミュレーションの品質を高める。これは、データが主に実世界で収集されていた以前の反復と比べて戦略的な転換である。
下流への影響としては、フィジカルインテリジェンスの開発加速が挙げられる。ロボットが新しい環境により迅速に適応できるようになり、産業規模でのスケーリングへの道が開ける。しかし、テストされた200のタスクを超えてスキルがどこまで汎化可能か、また追加の検証なしに長期的なエージェントシナリオにモデルがどう対応するかは不明のままである。
未解決の課題は、主張されている改善の独立した検証と安全性への影響に関わる。DeepMindはベンチマークASIMOV-Jailbreakを公開し、そこではArgonが99,5 %の堅牢性を示しているが、制御されていない環境における実際のリスクについては、コミュニティによるさらなる研究が必要である。
このように、Gemini 4とGenie 4の組み合わせは、孤立したモデルから統合されたシミュレーション・学習ループへと重点を移し、embodied AIにおける次の一歩をより現実的なものにしている。

