Na terça-feira, 27 de outubro, o Google mostrou o Genie 4. A diferença em relação a qualquer chatbot é simples de entender: você não pede uma resposta, você pede um lugar. O modelo gera o lugar na hora, você entra nele com o teclado, anda para os lados, e pode escrever "faça chover", "traga uma pessoa", "coloque uma banda tocando ali" — e o mundo muda embaixo de você, em tempo real. Segundo o anúncio oficial, cada mundo já vem com som: vento, música, e personagens que respondem falando.

O Google chama isso de "modelo de mundo" e diz que é um passo crucial para a inteligência artificial geral, porque daria para treinar robôs e agentes em ambientes seguros e infinitos, sem quebrar nenhum robô de verdade. É uma frase bonita. Este post é sobre o que vem depois da frase: o que dá para medir, e o que ninguém mediu ainda.

Quatro gerações em dois anos

Vale lembrar a linha do tempo, porque ela explica o tamanho do salto — e a repetição do roteiro. A primeira versão, a Genie 1, apareceu no começo de 2024 e montava joguinhos 2D. A Genie 2 veio em 4 de dezembro de 2024 e já gerava mundos 3D a partir de uma única imagem. A Genie 3 chegou em 5 de agosto de 2025 com números na mesa: 720p de resolução, 24 quadros por segundo, alguns minutos de interação contínua e memória de cerca de um minuto. Agora a Genie 4.

Duas coisas chamam atenção nessa sequência. A primeira é que o avanço é real: sair de um joguinho 2D para um mundo 3D com som e personagens conversando em dois anos e meio é muito rápido. A segunda é que, em duas gerações e quatro lançamentos, nenhuma pessoa comum pode instalar, testar ou comprar o Genie como se compra um modelo por API. Em 2025 o Genie 3 saiu como "prévia de pesquisa" para um grupo pequeno de acadêmicos e criadores; agora o Genie 4 sai como "prévia de pesquisa" para testadores de confiança, com lista de espera, e "em breve" para assinantes do plano AI Ultra no Project Genie e parceiros de acesso antecipado da API.

O que mudou nesta versão

O texto técnico do DeepMind organiza o avanço em quatro frentes. Em linguagem de gente:

  • Aparência. O modelo usa o Gemini Omni para "ancorar" a simulação no jeito como as coisas realmente parecem e se comportam. Ou seja: quem faz o realismo não é o Genie sozinho, é a família Gemini junto.
  • Física. A empresa diz que ele simula aerodinâmica, colisões e afins. É a parte mais difícil de acreditar sem teste, e volto nela já já.
  • Pessoas. O próprio Google chama este de "o salto mais dramático": personagens que andam de forma natural, reagem ao ambiente e podem ser guiados por texto no meio da cena.
  • Som. É o primeiro modelo de mundo do Google a gerar áudio nativo — som ambiente, música de fundo e diálogo interativo, com as falas mudando conforme você interfere. Antes, o áudio era camada colada depois; agora sai junto com a imagem.

Tem mais um detalhe curioso, e ele é o mais importante tecnicamente: o mundo não é gerado sozinho. Um Gemini 3.8 Flash fica "no loop", como o Google chama — ele olha o quadro, quebra o objetivo em passos, confere se cada passo deu certo e replaneja quando você atrapalha. É um diretor de cena olhando o monitor. O Google também testou o Gemini 4 Argon junto com o Genie 4 para desmontar uma tarefa em etapas e mandar cada etapa como legenda para o mundo renderizar — é assim que nasce o tal "treino de robô". E todo vídeo e áudio gerado leva SynthID, a marca d'água invisível do Google.

Para que isso já serve (quatro casos concretos)

O comunicado lista os grupos de testadores: criativos, jornalistas, educação, jogos e engenharia. Traduzindo em cenas do dia a dia de trabalho:

1. Cinema — o "rascunho jogável". Em vez de desenhar storyboard e esperar dias por uma pré-visualização em motor gráfico, o diretor entra na cena e roda várias tomadas em tempo real, mudando ângulo de câmera, luz, diálogo e ação na hora. Errou? Não refaz o render: mexe no mundo.

2. Jogo — protótipo antes da primeira linha de código. Estúdios estão usando para ir da ideia a um protótipo explorável em segundos, testando estilo visual, material e mecânica por texto, antes de abrir a engine. Isso muda quem participa da decisão: o designer deixa de depender do programador para ver a ideia funcionando.

3. Fotojornalismo — uma foto antiga virando lugar. Uma única imagem de arquivo, 2D, vira uma simulação daquele ambiente em segundos. Times testam como uma enchente repentina ou um incêndio se espalha por um lugar real, sem esperar o desastre acontecer.

4. Robôs — o campo de treino infinito. A promessa mais valiosa: treinar um agente em milhares de variações de um galpão, com caixas caindo e pessoas atravessando, sem gastar um único robô real. É o mesmo argumento que a indústria usa há anos — só que agora quem gera o galpão é um modelo de vídeo.

O detalhe que o anúncio não conta

Agora compare as duas páginas oficiais, porque essa comparação é o tipo de coisa que a gente anota aqui. A página do Genie 3 diz, sem rodeios: 720p, 20 a 24 quadros por segundo, alguns minutos de interação contínua, memória de cerca de um minuto. A página do Genie 4 não diz resolução. Não diz quadros por segundo. Não diz por quantos minutos o mundo se mantém. Ela diz que os vídeos são "gravações de interações em tempo real" — e é isso.

Não estou dizendo que o modelo é pior. Estou dizendo que a geração anterior publicou números e esta publicou filmes. Quando a única evidência é um vídeo escolhido por quem fez o modelo, o que você está avaliando é o critério de seleção de quem editou o vídeo.

A única medição independente que existe

E aqui está a parte boa: já existe um jeito de medir modelos de mundo — e alguém já mediu o Genie 3 por fora, sem acesso privilegiado. O PlayWorld (arXiv 2608.13552, agosto de 2026, feito por pesquisadores da Chinese University of Hong Kong, Universidade de Hong Kong, Zhejiang e a equipe Kling, da Kuaishou) criou 171 cenários, cada um com um objetivo de longo prazo — coisas que um humano faria para testar um jogo, como "girar 360 graus e ver se o cenário atrás é o mesmo" ou "entrar na água e olhar as ondulações". Um agente jogador controla cada modelo como um humano controlaria, e o resultado é dado em quatro notas de 1 a 5: consistência geométrica, fidelidade de interação, evolução fora do campo de visão e evolução de contexto (se o mundo continua fazendo sentido).

Ranking do PlayWorld: Genie 3 em primeiro com 2,12 de 5
Gráfico: CheriffAI · dados de PlayWorld (arXiv 2608.13552). O Genie 3 é o melhor de nove modelos — com 2,12 de 5.

Nove modelos entraram na conta. O Genie 3 foi o melhor de todos. Ganhou em consistência geométrica (2,74), em fidelidade de interação (2,40) e em evolução fora de vista (1,81), com média geral de 2,12 de 5. O segundo colocado, HappyOyster (Alibaba), ficou em 1,92. Traduzindo o placar sem enfeite: o melhor modelo de mundo do mundo tira nota 2,1 numa escala que vai até 5.

Quatro dimensões do PlayWorld para o Genie 3, de 2,74 a 1,51
Gráfico: CheriffAI · dados de PlayWorld. O ponto fraco fica justamente em manter o estado do mundo ao longo do tempo: 1,51 de 5.

A conclusão dos autores é seca: os modelos atuais "continuam não confiáveis em objetivos interativos de longo prazo", sobretudo para manter consistência espacial e estado persistente. Um segundo benchmark independente, o WBench (arXiv 2605.25874, Fudan e Meituan, 289 casos e 1.058 turnos de interação, 20 modelos), chega ao mesmo lugar por outro caminho: nenhum modelo se sai bem em todas as dimensões ao mesmo tempo. E os dois papers contam a mesma pequena humilhação logística: como o Genie 3 não tem API pública, para testá-lo foi preciso um humano na frente da tela, jogando, e gravando o resultado.

Quadro do vídeo oficial do Genie 4: estação de trem gerada em tempo real, com o painel de comandos do produto
Quadro do vídeo oficial do Genie 4 (Google DeepMind, 27/10/2026): uma estação de trem japonesa gerada em tempo real. O painel de controles no canto é do próprio produto. Imagem: Google DeepMind.

Por que 2,1 de 5 importa mais do que o vídeo bonito

Porque a promessa embutida no Genie não é "que vídeo legal". É treinar coisas de verdade dentro dele. Se o mundo derrapa — e o próprio Google lista, na seção de limitações, que detalhes visuais e permanência de objetos "podem mudar ou se deslocar" conforme a simulação corre, que texto legível, precisão espacial e consistência de longo prazo seguem em pesquisa — então o robô treinado ali aprende um mundo que não é o nosso. Um agente treinado numa estação que muda de lugar quando você vira as costas aprende o atalho errado.

Isso não invalida a tecnologia. Invalida o atalho mental de achar que "já dá para treinar em simulação gerada". O caminho honesto hoje é o que os próprios testadores do Google estão fazendo, segundo o comunicado: usar como rascunho — pré-visualização, ideação, conceito — e não como produção.

O que eu mediria no dia em que abrir

Três testes que qualquer pessoa consegue fazer, e que valem mais que qualquer trailer:

  1. Repita o mesmo objetivo cinco vezes. Peça "chegue ao portão" cinco vezes com o mesmo mundo inicial. Se as cinco terminarem em lugares diferentes do mapa, o mundo não tem mapa — tem improviso.
  2. Gire 360 graus e volte. Se o que estava atrás de você não estiver mais lá, não existe espaço, existe memória curta. É exatamente a dimensão em que o Genie 3 tirou 2,74.
  3. Peça um objeto para sair e voltar do campo de visão. Uma caixa que você contorna e reencontra vazia é o teste de permanência de objeto — a limitação que o próprio Google admite.

Se a média nesses três subir de 2,4 para 3,5, aí sim muda a conversa sobre treinar robô em mundo gerado. Antes disso, é vídeo.

E o Brasil nisso

Simulação é o gargalo de custo de quem treina robótica e agentes por aqui: hora de robô real é caro, quebra e exige bancada. Um mundo gerado por texto seria o jeito mais barato de multiplicar cenários — e é justamente por isso que vale resistir ao entusiasmo. Enquanto o mundo gerado derrapa, o caminho que fecha a conta continua sendo a simulação determinística, aquela que repete exatamente o mesmo resultado dez mil vezes, e que já roda em máquina comum. O Genie entra como rascunho da ideia, não como certificado do teste.

A pergunta que fica não é "o vídeo é impressionante?" — é. É se, no dia em que o Google abrir a porta e publicar resolução, quadros por segundo e duração, os números vão acompanhar o trailer. Duas gerações atrás, eles publicaram. Esta, não.

Fontes