Seguro que has visto vídeos espectaculares generados por redes como Sora, Runway Gen-3 o Kling. Lucen increíbles, con reflejos cinematográficos y movimientos suaves de cámara. Pero todos los generadores de vídeo actuales arrastran un límite de base: eres un mero espectador pasivo. No puedes pulsar una flecha del teclado, doblar una esquina ni abrir una puerta. La imagen avanza siguiendo una predicción probabilística de píxeles y, en cuanto intentas alargar el clip, la física de la escena empieza a derretirse y deshacerse.
El laboratorio Google DeepMind acaba de dar un salto de fase al presentar la cuarta generación de su modelo de mundo: Genie 4. Ya seguimos la pista a los entornos interactivos en nuestros artículos sobre el juego 3D en un solo prompt: experimento de Simon Willison y el modelo generativo de mundos Agora 2. Hoy toca ver cómo funciona esta tecnología que borra la frontera entre una red neuronal y un motor de videojuegos.
De sprites 2D a 720p a 24 FPS: evolución de la realidad generada
Si la primera versión experimental de Genie a comienzos de 2024 apenas generaba plataformas 2D rudimentarios a 1 fotograma por segundo, Genie 4 es ya un simulador tridimensional interactivo completo:
- Resolución 720p a 24 FPS estables: La imagen se genera de forma continua en tiempo real con una latencia de respuesta al teclado inferior a 80 milisegundos;
- Audio espacial nativo (Native Spatial Audio): La pista sonora no se pega encima a posteriori con otro modelo, sino que se calcula dentro del mismo espacio latente. Los pasos sobre un puente de madera, el viento en un desfiladero o el chirrido de una puerta quedan sincronizados con precisión de microsegundos;
- Capa de razonamiento Gemini: El gran talón de Aquiles de los modelos de mundo es el «efecto pez de colores», cuando la red olvida qué había detrás del personaje un segundo antes. Genie 4 conecta un agente multimodal Gemini que sostiene un mapa global de estados: si dejas unas llaves sobre la mesa de una cabaña, recorres todo el bosque y vuelves 15 minutos después, las llaves siguen exactamente ahí.
Cómo aprendió las leyes de la física sin programarlas
Lo más asombroso de Genie 4 está en cómo se entrenó:
- En un juego clásico hecho con Unreal Engine 5, el programador tiene que escribir a mano las fórmulas de la gravedad, fijar densidades, coeficientes de rozamiento y vectores de rebote;
- En Genie 4 no hay ni una sola fórmula física programada. Sus transformadores espaciotemporales (Spatiotemporal Transformers) se entrenaron viendo millones de horas de vídeos sin etiquetar de partidas y grabaciones reales.
Un codificador latente de acciones (Latent Action Model) dedujo por su cuenta las regularidades del movimiento: entendió a base de observar que las piedras pesadas caen más rápido que las plumas, que el agua rodea los obstáculos y que una botella de cristal se rompe al chocar contra granito.
Es más, soporta dirección textual al vuelo (Real-Time Steering). Puedes caminar por un sendero, pulsar el micrófono y decir: «Activa gravedad lunar y empieza una ventisca». Sin cortes bruscos, la iluminación cambia, los saltos se vuelven lentos y flotantes y la nieve empieza a acumularse de forma procedural sobre los objetos.
La estación de Tokio y los Alpes nevados: análisis de los mundos de demostración
Para medir la escala del avance basta fijarse en dos escenarios de demostración publicados por Google DeepMind:
- Estación de Tokio en los años 80: Manejas la cámara caminando por una estación ferroviaria abarrotada en pleno auge del neón japonés. Llegan trenes con el traqueteo metálico auténtico sobre las vías, brillan carteles en japonés por los andenes y los transeúntes se cruzan contigo. Lo más llamativo es la interacción con personajes no jugadores (NPC): si te acercas a un quiosco o a un revisor, entra en juego la capa lingüística de Gemini y el personaje mantiene un diálogo por voz reaccionando a lo que ocurre alrededor;
- Cumbres alpinas nevadas: El segundo mundo de prueba simula un descenso dinámico esquiando por una ladera empinada. Genie 4 calcula en tiempo real cómo muerden los cantos en la nieve compacta, la deformación de los montículos, pequeñas avalanchas en giros bruscos y la refracción del sol en los cristales de nieve levantada. Al mismo tiempo, el roce de los esquís y el silbido del viento cambian de timbre según tu velocidad.
Campos de pruebas sintéticos para robots y conducción autónoma
¿Por qué invierte Google DeepMind tantos recursos en mundos interactivos? Para levantar campos de entrenamiento sintéticos y seguros para la inteligencia encarnada (Embodied AI).
Entrenar un brazo robótico físico o un coche autónomo Waymo en el mundo real es lentísimo, caro y peligroso: cualquier fallo acaba en accidente y hardware roto. Dentro de Genie 4, los ingenieros pueden simular miles de millones de situaciones límite rarísimas (placas de hielo, sol cegador, un balón cruzando la calzada) y entrenar la red de control en cuestión de horas antes de cargarla en un chasis real.
¿El fin de los polígonos clásicos?
¿Significa Genie 4 la muerte inmediata de motores tradicionales como Unreal Engine o Unity?
Todavía no, claro. Genie 4 tiene límites físicos claros: una sesión estable continua aguanta por ahora unos 20–30 minutos antes de que se acumule deriva en las coordenadas latentes, y ejecutar la simulación exige clústeres potentes basados en Google TPU v6 (Trillium).
Pero la dirección está cristalina: tras décadas colocando polígonos a mano y horneando texturas, llega la era de las simulaciones neuronales donde un mundo 3D interactivo nace al instante según lo que pidas.

