Genie 4 de Google convierte una frase en un mundo que puedes recorrer

Un creador trabajando ya entrada la noche. La próxima ola de herramientas de IA apunta a la gente con ideas y sin presupuesto. Foto: niko linh / Unsplash.

Escribes una frase. Te aparece un lugar. No la foto de un lugar, ni un video que te sientas a mirar. Un lugar que puedes recorrer con el teclado, donde puede empezar a llover porque tú lo pediste, donde alguien en la escena se voltea y te contesta.

Esa es la promesa de Genie 4, el modelo de mundo que Google DeepMind presentó el 27 de octubre. Es un avance de investigación, no un producto que puedas descargar esta noche. Pero es la señal más clara hasta ahora de hacia dónde va la IA generativa después del texto, las imágenes y el video: hacia los mundos.

Y si creciste como muchos de nosotros, con ideas grandes y sin presupuesto, ese cambio merece toda tu atención.

Lo que Genie 4 hace de verdad

Si le quitas el bombo, el funcionamiento es sencillo. Describes una escena en lenguaje común y corriente. Genie 4 la genera cuadro por cuadro en tiempo real, y tú te mueves por ella con los controles normales del teclado. En plena sesión puedes escribir cambios: otro clima, un nuevo ángulo de cámara, otra persona que entra. El mundo se ajusta sin tener que empezar de cero.

La gran novedad es el sonido. Genie 4 genera audio ambiental, música cuando hace falta y diálogos de personajes que reaccionan a lo que está pasando. Google lo llama el primer modelo de mundo en tiempo real que crea audio de forma nativa. Esa afirmación merece un asterisco. TechCrunch, según citan DataNorth y Tech Insider, señaló que GWM Worlds 2 de Runway, lanzado unos dos meses antes, también se puede jugar y también genera audio. O sea, lo de "el primero de la historia" lo dice Google, no es un veredicto independiente.

Por dentro, Genie 4 se apoya en la familia Gemini de Google. Según DataCamp y AiCybr, Gemini Omni define cómo se ven y se comportan las cosas, mientras que Gemini 3.8 Flash funciona como guía: observa la escena, divide un objetivo en pasos, revisa cada cuadro nuevo y vuelve a planificar cuando tú interrumpes. En una demostración, Gemini 4 Argon dividió una partida de damas en pasos y Genie 4 mostró al robot humanoide Apollo de Apptronik jugándola. No hubo ningún robot físico de por medio. Todo fue una simulación.

Cuánto dura el mundo sin desarmarse

Aquí las fuentes no coinciden del todo, así que lo vamos a explicar sin rodeos. TechCrunch informó que una escena de Genie 4 se mantiene coherente hasta unos dos minutos, más o menos el doble del límite anterior. La propia página del modelo en Google habla de unos pocos minutos de interacción continua, sin dar una cifra exacta. Las versiones anteriores del prototipo Project Genie de Google les daban a los usuarios 60 segundos por mundo.

De cualquier manera, hablamos de minutos, no de horas. Y Google no esconde las fallas. Los detalles se van desviando. Los objetos pueden desaparecer en sesiones largas o después de varias ediciones complejas. El texto legible, la física precisa, la exactitud espacial y el audio en tiempo real aparecen todos como problemas sin resolver. Matt Crabtree, de DataCamp, lo resumió mejor que nadie en cuanto al sonido: "Tomen el audio de la demostración como un techo, no como un piso".

Esa es la lectura honesta. Esto es un cuaderno de bocetos, no una película terminada.

Quién tiene acceso, y cuándo

Por ahora, solo un grupo limitado de probadores de confianza, en su mayoría investigadores y socios de la industria, puede usar Genie 4. Google dice que después vendrán los suscriptores de Google AI Ultra, su plan de consumo más alto, a través de Project Genie, y luego los socios de acceso anticipado en la API de Gemini y en Google AI Studio. No hay precio público, ni fecha de lanzamiento general, ni modelo para descargar.

Cada cuadro de video y cada segundo de audio llevan SynthID, el sistema de marcas de agua de Google. Eso importa. Si una herramienta puede generar una calle convincente, una multitud convincente y una voz convincente, saber de dónde viene el contenido no es un lujo. AiCybr señaló que todavía no hay una validación independiente de qué tan resistente es esa marca de agua, así que la pregunta de la confianza sigue abierta.

Por qué debería importarle a la cultura

Desde donde estamos, en Harlem, la pregunta nunca es solo "¿esto impresiona?". Es "¿quién lo va a poder usar y a quién va a reemplazar?".

Empecemos por lo bueno. Según el resumen que hizo DataCamp de los comentarios de los probadores, hay cineastas usando Genie 4 para hacer varias tomas en vivo mientras ajustan cámara, iluminación, diálogo y acción. Hay fotoperiodistas convirtiendo fotos de archivo en 2D en entornos explorables y visualizando inundaciones e incendios forestales. Hay desarrolladores de videojuegos creando prototipos de conceptos explorables antes de escribir una sola línea de código en un motor.

Piensa en lo que eso significa para un director primerizo en el South Bronx que tiene un guion pero no tiene presupuesto para locaciones, ni equipo, ni gente de previsualización. La previsualización, ese borrador de una película antes de filmarla, históricamente ha sido algo que pagan los estudios. Una herramienta que le permite a una sola persona llevar a un productor de paseo por una escena cambia quién consigue una reunión. Lo mismo vale para el muchacho que lleva diseñando videojuegos en una libreta desde la intermedia. Un borrador que se puede jugar es otra clase de propuesta, muy distinta a una descripción.

Ese uso con fotos de archivo también tiene algo poderoso. Nuestros barrios llevan un siglo siendo fotografiados, muchas veces por gente de afuera. Herramientas capaces de convertir imágenes viejas en espacios donde uno puede entrar podrían permitir que las comunidades cuenten su propia historia con una profundidad que ningún pie de foto lograría. Esa es nuestra esperanza, no una función que Google haya prometido, pero las piezas están ahí, a la vista.

La otra cara de la moneda

Ahora viene la parte que nadie debería saltarse. Tech Insider informó que Bloomberg presentó la noticia de Genie 4 como algo que sacudió las acciones de videojuegos. Los inversionistas se están haciendo la misma pregunta que los trabajadores: si la IA puede bosquejar mundos, ¿qué pasa con la gente que hacía ese trabajo?

El análisis de Tech Insider señaló como las áreas más expuestas la creación de prototipos, la narrativa interactiva, y el arte conceptual y la previsualización. Esos son justamente los trabajos que han servido de puerta de entrada para creativos jóvenes, incluidos muchos artistas negros y morenos que entraron a los videojuegos y al cine por el trabajo conceptual. Si se automatiza el primer peldaño de la escalera, la industria tiene que construir peldaños nuevos a propósito. Eso no va a pasar por casualidad.

También vale la pena tener claro lo que Genie 4 no es. Tech Insider señaló que los estudios de videojuegos necesitan física determinista, puntos de guardado, sincronización multijugador e historias escritas por autores, y Genie 4 no ofrece nada de eso por sí solo. La propia Google no lo describe como un motor de videojuegos. Y según lo que reportó TechCrunch, Diego Rivas, de DeepMind, dijo que convertir estos prototipos en recursos terminados todavía está lejos.

La forma en que Google lo presenta dice mucho de lo que tiene en la cabeza. El anuncio de DeepMind afirma: "Simular el mundo es un paso crucial hacia la AGI". En otras palabras, Genie 4 no es principalmente un juguete para creadores. Es un campo de entrenamiento para robots y agentes de IA que están aprendiendo cómo se comporta el mundo físico. Los creadores están recibiendo acceso a algo construido para un juego mucho más grande.

La opinión del Den

Genie 4 no está listo para reemplazar el oficio de nadie. Se desvía, se le olvidan las cosas, no puede escribir un letrero legible. Pero el rumbo es inconfundible, y la competencia se mueve rápido: TechCrunch informó que AMD está adquiriendo World Labs y que Amazon está en conversaciones para comprar Decart.

Nuestro consejo para la cultura es el mismo que con cada ola de herramientas nuevas: acercarse temprano. Aprender el vocabulario. Cuando se abra el acceso, estar presentes. La gente que entendió Instagram en 2011 y TikTok en 2019 construyó audiencias mientras todos los demás debatían si era una moda pasajera. Los modelos de mundo se parecen a la próxima versión de ese momento.

Las historias ya las llevamos dentro. La pregunta es si seremos nosotros los que tengamos el control en las manos.

Te toca a ti

Si pudieras escribir una frase y entrar en cualquier mundo, ¿qué construirías primero: tu cuadra en 1995, una escena de una película que todavía no has hecho o un lugar que no existe?

Síguenos en @theinnovatorsden.

Fuentes: DataNorth · AiCybr · Tech Insider · DataCamp · ETC Journal