Google DeepMind ra mắt Genie 4: mô hình thế giới có âm thanh, chỉnh được bằng lời và dùng để thử nghiệm robot

Thứ Ba, 27/10/2026, Google DeepMind phát hành Genie 4 dưới dạng research preview (bản xem trước nghiên cứu) cho một nhóm nhỏ người thử nghiệm được chọn. Google gọi đây là “world model chân thực và tương tác nhất của chúng tôi từ trước tới nay”. World model (mô hình thế giới) tạo ra một môi trường người dùng có thể đi lại bên trong, sinh từng khung hình theo thời gian thực và phản ứng với thao tác của người dùng. Video model thì khác: nó chỉ dựng một đoạn phim cố định. So với bản trước, Genie 4 có thêm ba thứ: âm thanh, khả năng điều khiển bằng văn bản ngay khi cảnh đang chạy, và một agent Gemini lập kế hoạch rồi kiểm tra diễn biến tiếp theo.

Chuyện gì đã xảy ra

Genie 4 được công bố qua một bài trên blog DeepMind do Raia Hadsell, Diego Rivas và Hang Qi đứng tên. TechCrunch và Unite.AI đưa tin ngay trong ngày. Bản trước, Genie 3, ra mắt tháng 8/2025. Genie 3 chạy ở 720p, 24 khung hình/giây, giữ cảnh nhất quán khoảng một phút và không có tiếng. Từ ngày 29/01/2026, thuê bao Google AI Ultra dùng được Genie 3 qua trang Project Genie của Google Labs, mỗi lần khám phá tối đa 60 giây.

Genie 4 chưa mở cho công chúng. DeepMind cho biết model “sắp” đến với thuê bao AI Ultra trên Project Genie và với các đối tác truy cập sớm của Gemini API và Google AI Studio. TechCrunch ghi là “trong vài tuần tới”. Đã có danh sách chờ, nhưng chưa có giá và chưa có ngày cụ thể.

Điểm mới về kỹ thuật

Âm thanh sinh trực tiếp. DeepMind gọi Genie 4 là “world model thời gian thực đầu tiên của chúng tôi tự sinh âm thanh”. Nhạc nền, tiếng môi trường và lời thoại nhân vật được tạo cùng lúc với hình, không phải lồng tiếng sau. Vì thế âm thanh đến từ chính model đang “biết” cánh cửa vừa đóng sầm hay nhân vật vừa quay người. DeepMind cũng thừa nhận chưa giải quyết được độ chính xác của âm thanh.

Chỉnh cảnh khi đang chạy. Người dùng vẫn di chuyển bằng bàn phím như trước, nhưng giờ có thể gõ prompt ngay trong lúc mô phỏng: đổi thời tiết, dịch camera, thêm người hoặc đồ vật. Theo blog, Gemini sẽ “điều chỉnh prompt theo ngữ cảnh cho khớp với cảnh xung quanh”, tức một câu lệnh ngắn gọn sẽ được viết lại cho hợp với những gì đang hiện trên màn hình. Genie 3 đã có “sự kiện kích hoạt bằng prompt”, còn Genie 4 cho phép sửa tự do một cảnh đang chạy.

Nhất quán lâu hơn. TechCrunch đưa tin Genie 4 giữ cảnh nhất quán tối đa hai phút, gấp đôi Genie 3. Blog của DeepMind lại nói dè dặt hơn: “môi trường mạch lạc trong các phiên ngắn”. Unite.AI cũng dùng cách diễn đạt đó và không nêu con số. Vì vậy nên coi “hai phút” là con số báo chí đưa ra, chưa phải thông số đã được đo kiểm.

Agent Gemini trong vòng lặp. Về kiến trúc, đây là phần đáng chú ý nhất. Theo blog, Gemini 3.8 Flash đóng vai “agent dẫn dắt”: nó “liên tục quan sát cảnh, chia mục tiêu thành chuỗi bước, xem các khung hình mới để theo dõi tiến độ và xác nhận từng bước đã thành công”. Khi thế giới thay đổi hoặc người dùng can thiệp, agent lập lại kế hoạch. Nói cách khác, bộ sinh hình ảnh giờ có một “người giám sát” lập kế hoạch ở mức ngôn ngữ và kiểm tra kết quả. DeepMind dựa vào cơ chế này để nói về “quan hệ nhân quả đáng tin cậy” và các sự kiện nhiều bước, hai điểm mà một model chỉ đoán khung hình kế tiếp rất khó làm tốt. Tejas Kulkarni, giám đốc nghiên cứu tại Google, nói với TechCrunch: “Tương lai sẽ ngày càng có nhiều world model lai như thế này.”

Góc nhìn robot

Bản demo mà dân làm robot nên xem kết hợp Genie 4 với Gemini 4 Argon và Gemini Robotics. Argon chia nhiệm vụ của người dùng thành từng bước, Genie 4 dựng hình cho mỗi bước. DeepMind đưa ra các ví dụ như cánh tay robot UR5 của Universal Robots cầm pipette nhỏ dung dịch vào khay thí nghiệm, hay humanoid (robot hình người) Apollo của Apptronik chơi cờ đam từng nước một. TechCrunch nhận xét đây là “một cách có thể dùng để thử các tình huống robot trong mô phỏng trước khi chúng xảy ra ngoài đời thực”. Trang giới thiệu Genie cũng viết rằng các agent như SIMA có thể học kỹ năng mới trong những thế giới này.

Đây là lý do kinh doanh dài hạn của world model. Các physics engine (bộ mô phỏng vật lý) như MuJoCo hay Isaac Sim buộc kỹ sư dựng tay từng vật thể, vật liệu, khớp nối. World model học từ dữ liệu thì chỉ cần một câu là tạo ra căn bếp bừa bộn hay nhà kho đông người. Đổi lại, vật lý trong đó chỉ “trông hợp lý” chứ không được bảo đảm. Một policy (chính sách điều khiển) huấn luyện trong thế giới bị trôi dần có thể học luôn cả sự trôi đó. DeepMind chưa công bố số liệu nào cho thấy kỹ năng học trong Genie 4 áp dụng được lên robot thật.

Bối cảnh: sân chơi đông đúc và tốn kém

Genie 4 ra mắt giữa lúc các hãng đua nhau thâu tóm. Theo TechCrunch, Runway tung GWM Worlds 2, một world model chơi được và có âm thanh, khoảng hai tháng trước đó. World Labs của Fei-Fei Li đang được AMD mua lại, Amazon được cho là đang đàm phán mua Decart, còn Rivian vừa mua Third Dimension để tự làm mô phỏng phục vụ thử nghiệm xe tự lái. Tạo thế giới tương tác đã đi từ demo nghiên cứu thành tài sản chiến lược. Lợi thế của Google nằm ở khả năng tích hợp: chính các model Gemini vốn dùng cho agent và robot giờ điều khiển luôn bộ mô phỏng.

Những điều chưa rõ

Thông báo này rất ít số liệu. DeepMind không nêu độ phân giải, tốc độ khung hình, độ trễ hay điểm benchmark nào của Genie 4. Wikipedia có một dòng ghi “tới 30 fps”, nhưng không có nguồn và đang bị gắn nhãn “cần dẫn nguồn”. Phần an toàn chỉ nói DeepMind đã đánh giá nội bộ trước khi phát hành, không công bố kết quả, và mọi video lẫn âm thanh do Genie 4 tạo ra đều gắn watermark (dấu thủy vân) SynthID. DeepMind tự liệt kê khá rõ các giới hạn: chi tiết hình ảnh và tính tồn tại của vật thể “vẫn có thể xê dịch hoặc trôi theo thời gian”, nhất là khi phiên chạy dài, sau nhiều lần sửa bằng prompt, hoặc khi di chuyển khắp cảnh. Tương tác vật lý phức tạp, chữ viết đọc được, độ chính xác không gian và độ chính xác âm thanh vẫn là bài toán nghiên cứu còn mở. Rivas nói với TechCrunch rằng “mọi thứ vẫn còn rất sớm” và trải nghiệm sản phẩm hoàn chỉnh chưa định hình. Cách đặt tên cũng có chỗ khó hiểu: agent trong vòng lặp là Gemini 3.8 Flash, còn demo robot dùng Gemini 4 Argon, và DeepMind không giải thích hai model phân chia việc với nhau thế nào.

Vì sao đáng chú ý với ngành IT

Với lập trình viên, điều quan trọng không phải cảnh đẹp mà là kiến trúc: một bộ mô phỏng sinh bằng AI chạy dưới một bộ lập kế hoạch dùng mô hình ngôn ngữ, bộ này kiểm tra đầu ra từng khung hình. Cùng mô hình đó có thể dùng để tạo môi trường thử nghiệm giả lập cho agent, dựng pipeline cho robot “tập dượt” trước, hay làm prototype game và phim mà không cần quy trình dựng asset 3D. Chừng nào DeepMind chưa công bố số đo và API chưa mở, Genie 4 vẫn chỉ là một bản xem trước được làm kỹ. Nếu khả năng giữ cảnh hai phút và chuỗi nhân quả có agent kiểm tra vẫn đứng vững khi người ngoài thử, mô phỏng cho embodied AI (AI có thân thể vật lý, như robot) sẽ là thứ người ta viết prompt để tạo ra, thay vì phải tự dựng.