Google DeepMind kündigt Genie 3 an, ein revolutionäres Modell zur interaktiven Videogenerierung, das steuerbares, zeitlich kohärentes Video erzeugen kann, das in Echtzeit auf Nutzeraktionen reagiert. Anders als frühere Videomodelle, die feste Sequenzen erzeugen, fungiert Genie 3 als Weltmodell — es versteht räumliche Beziehungen, Physik und Kausalität — und ermöglicht KI-generierte interaktive Erlebnisse, einschließlich spielbarer Spiele, die aus Textbeschreibungen oder Bildern erzeugt werden.

Kerninnovation: steuerbare Generierung

Der grundlegende Fortschritt ist die Nutzersteuerung während der Generierung. Genie 3 verarbeitet kontinuierliche Eingaben — Pfeiltasten, Mausbewegungen, Aktionsbefehle — und erzeugt Video, das entsprechend reagiert. Beispiel: Der Nutzer fordert „ein Plattformspiel im Wald“ an, Genie erzeugt das erste Einzelbild, dann steuert der Nutzer die Bewegungen der Figur, wobei das Modell die nachfolgenden Einzelbilder generiert (Sprünge, Bewegung, Interaktionen mit der Umgebung). Diese interaktive Schleife schafft spielbare Erlebnisse statt passiver Videos.

Architektur und Training des Weltmodells

Genie 3 implementiert ein latentes Weltmodell: eine komprimierte Repräsentation der Physik einer Umgebung, Verständnis räumlicher Beziehungen und Objektpermanenz, Vorhersage der Konsequenzen von Aktionen, zeitliche Kohärenz über längere Sequenzen. Das Modell führt keine vorprogrammierte Physik aus: Es hat physikalische Regeln durch die Beobachtung riesiger Mengen von Videospielsequenzen gelernt (2D-Plattformspiele als primäre Daten, Aktionsannotationen, vielfältige visuelle Stile) und dabei ein emergentes Verständnis von Gravitation, Kollisionen und Bewegungsdynamik entwickelt. Seine 11 Milliarden Parameter erlauben es, feingranulare Beziehungen zwischen Aktionen und visuellen Konsequenzen zu erfassen.

Zeitliche Kohärenz und Anwendungen

Videomodelle haben Schwierigkeiten, das Erscheinungsbild, die Position und die Physik von Objekten über Einzelbilder hinweg beizubehalten. Genie 3 adressiert dies durch Langzeitgedächtnismechanismen, physikinformierte Priors, räumliche Aufmerksamkeit und Aktionskonditionierung, mit deutlich verbesserter Kohärenz. Anwendungen: schnelles Spiele-Prototyping, maßgeschneiderte Lernspiele, Barrierefreiheit, prozedurale Inhalte, No-Code-Kreativtools — eine Demokratisierung der Spieleentwicklung.

Grenzen und Wettbewerb

Anerkannte Grenzen: eine Obergrenze bei der Komplexität der Mechaniken, nachlassende Kohärenz bei sehr langen Sequenzen, unvollkommene Steuerungstreue, hohe Inferenzkosten, Verzerrung durch die Trainingsdaten. Im Vergleich zu Runway Gen-3, OpenAI Sora oder Metas Make-A-Video ist die interaktive Steuerung von Genie 3 das entscheidende Unterscheidungsmerkmal, ein Schritt hin zu universellen Weltmodellen. Langfristig zeichnet Genie 3 eine Entwicklung hin zu universellen Weltsimulatoren, KI-gesteuerten interaktiven Erlebnissen jenseits des Gamings und KI-generierten virtuellen Welten nach, die auf die Handlungsfähigkeit der Nutzer reagieren.