Genie ist eine Reihe von World Models von Google DeepMind, die aus Text, Bildern oder Skizzen begehbare, interaktive Umgebungen erzeugt. Die dritte Fassung stellt seit 2025 dreidimensionale Welten in Echtzeit dar und reagiert auf Eingaben, ohne dass ihr Regeln oder Spielmechaniken vorgegeben wären.
Zusammenfassung
Genie unterscheidet sich von Videogeneratoren dadurch, dass die erzeugten Umgebungen auf Handlungen reagieren: Sie sind nicht abgespielt, sondern begehbar.
Möglich wird dies durch ein Verfahren, das aus unbeschriftetem Videomaterial einen Handlungsraum erschließt – das Modell lernt, welche Eingriffe eine Szene verändern können, ohne dass die Trainingsdaten Handlungsangaben enthalten.
Genie 3 erreicht 24 Bilder je Sekunde und hält Zustände über mehrere Minuten konsistent, einschließlich Objektbeständigkeit. Der praktische Zweck liegt weniger in der Unterhaltung als im Agententraining: Systeme können in erzeugten Umgebungen üben, bevor sie in der Wirklichkeit handeln.
Entwicklung
| Fassung | Erschienen | Kennzeichen |
|---|---|---|
| Genie | März 2024 | zweidimensionale interaktive Umgebungen |
| Genie 2 | Dez. 2024 | dreidimensionale Umgebungen |
| Genie 3 | 2025 | Echtzeit, 24 Bilder je Sekunde, minutenlange Konsistenz |
| Project Genie | Jan. 2026 | öffentlicher Zugang über Google Labs für Ultra-Abonnenten |
Genie 3 wurde von der Zeitschrift Time unter die Erfindungen des Jahres 2025 aufgenommen. Das Modell ist nicht quelloffen und ausschließlich über Googles Dienste zugänglich.
Funktionsweise
Der Kern ist das Latent Action Model. Übliche Verfahren zum Erlernen interaktiver Umgebungen benötigen Trainingsdaten, in denen zu jedem Bild vermerkt ist, welche Handlung zu ihm geführt hat – solche Daten sind in großem Umfang nicht verfügbar.
Genie umgeht dies, indem es aus aufeinanderfolgenden Videobildern selbst erschließt, welche Veränderung stattgefunden hat, und diese in einem komprimierten Handlungsraum darstellt. Aus unbeschriftetem Videomaterial entsteht so ein Modell dessen, was in einer Szene möglich ist. Zur Anwendungszeit wählt der Nutzer in diesem gelernten Raum, und das Modell erzeugt das entsprechende Folgebild.
Bemerkenswert sind zwei Eigenschaften, die nicht eigens trainiert wurden: Objektbeständigkeit – Gegenstände bleiben erhalten, wenn sie kurz aus dem Blick geraten – und ein grobes Verhalten nach physikalischen Erwartungen. Beides entsteht aus dem Videomaterial.
Anwendung
Agententraining. Der von DeepMind genannte Hauptzweck: KI-Agenten benötigen Umgebungen zum Üben. Erzeugte Umgebungen sind beliebig vervielfältigbar, gefahrlos und lassen sich auf seltene Situationen zuschneiden.
Forschung zu Weltmodellen. Genie prüft die These, dass sich physikalisches und kausales Verständnis aus Beobachtung gewinnen lässt, ohne dass es formuliert werden muss.
Unterhaltung und Gestaltung. Erzeugung begehbarer Umgebungen ohne manuelle Modellierung.
Einordnung
Genie steht innerhalb der World-Models-Familie für die interaktive Erzeugung – abzugrenzen von Simulationsplattformen wie Nvidias Cosmos, die synthetische Trainingsdaten für Robotik liefern, von räumlicher Erzeugung wie Marble und von Repräsentationslernern wie JEPA.
Für Google DeepMind ist Genie zudem ein strategischer Punkt: Während sich der Wettbewerb auf Sprachmodelle konzentriert, arbeitet das Unternehmen an einem Ansatz, den LeCun als den eigentlich richtigen Weg bezeichnet – allerdings ohne dessen These zu teilen, dass Sprachmodelle deshalb ein Irrweg seien.
Kritik
Nachvollziehbarkeit. Das Modell ist geschlossen und nur über Googles Dienste zugänglich. Unabhängige Prüfung der Angaben zu Konsistenz und physikalischer Treue ist damit ausgeschlossen.
Physikalische Treue. Erzeugte Umgebungen wirken überzeugend, folgen aber nicht notwendig physikalischen Gesetzen. Ob das Modell Physik gelernt hat oder deren Erscheinungsbild nachbildet, ist von außen kaum zu unterscheiden – eine Frage, die der Verstehensdebatte bei Sprachmodellen entspricht.
Reichweite. Der Nachweis, dass sich aus interaktiver Umgebungserzeugung allgemeines Schlussfolgern gewinnen lässt, steht aus. Die Ergebnisse betreffen Wahrnehmung und Simulation.
Rechenaufwand. Echtzeitdarstellung erzeugter Umgebungen ist erheblich rechenintensiver als die Erzeugung von Text; der Betrieb setzt umfangreiche Beschleunigerverbünde voraus.
Das Gedächtnisproblem
Die technisch aufschlussreichste Schwierigkeit solcher Systeme betrifft die Beständigkeit. Eine erzeugte Umgebung entsteht Bild für Bild aus dem, was zuvor zu sehen war; was aus dem Blickfeld verschwindet, existiert nicht mehr in einer Form, auf die zurückgegriffen werden könnte. Dreht sich die Blickrichtung weg und wieder zurück, muss die Szene neu erzeugt werden – und sie fällt dann möglicherweise anders aus.
Für den Eindruck einer begehbaren Welt ist das der entscheidende Punkt. Eine Welt ist etwas, das auch dann weiterbesteht, wenn niemand hinsieht; eine Bildfolge ist es nicht. Fortschritte in diesem Bereich werden entsprechend daran gemessen, über wie viele Sekunden hinweg eine Szene stabil bleibt – ein Maß, das es bei Sprachmodellen in dieser Form nicht gibt und das die Eigenart der Aufgabe gut trifft.
Die begriffliche Folge ist erheblich. Solange Beständigkeit nicht aus einer inneren Repräsentation der Szene stammt, sondern aus der Fähigkeit, hinreichend viel Vorangegangenes im Blick zu behalten, ist die Bezeichnung Weltmodell mindestens großzügig.
Ein Modell der Welt wäre etwas, das den Zustand der Welt festhält; was hier vorliegt, ist ein Verfahren, das plausible Fortsetzungen erzeugt. Ob der Unterschied durch längere Kontexte praktisch verschwindet oder grundsätzlicher Natur ist, gehört zu den offenen Fragen des Feldes.
Verwandte Begriffe
- World Models – übergeordnete Systemklasse
- Google DeepMind – Entwicklerorganisation
- JEPA – konkurrierender Ansatz im selben Feld
- AMI Labs – Wettbewerber
- Cosmos – Simulationsplattform von Nvidia
- Selbstüberwachtes Lernen – Grundlage des Latent Action Model
- Physical AI – verwandter Begriff
- Agentic AI – Systemklasse, für deren Training Genie gedacht ist
- Gemini – Hauptmodellreihe desselben Anbieters
Quellenangaben
- Bruce, Jake u. a., 2024. Genie: Generative Interactive Environments. ICML 2024. arXiv: 2402.15391.
- Google DeepMind (2025): Genie 3: A New Frontier for World Models.
- Google DeepMind, o. J. Project Genie. Google Labs.
- Ha, David / Schmidhuber, Jürgen, 2018. World Models. arXiv: 1803.10122. (Die NeurIPS-Fassung erschien unter dem Titel Recurrent World Models Facilitate Policy Evolution.)
← Zurück zur Lexikon-Übersicht
Zuletzt bearbeitet: 10. August 2026
Zusammengestellt, formuliert, lektoriert und korrigiert mit KI-Unterstützung. Kuratiert von Nils Brauer. Alle Angaben ohne Gewähr.