Google Genie 3-Durchbruch:
KI wird zum ultimativen Weltenbauer

Google stellt mit Genie 3 ein neues KI-System vor, das aus Text­be­fehlen interaktive 3D-Welten in Echtzeit generiert - fast wie in einem Videospiel. Nutzer können ihre eigene Welt mit 24 FPS bei 720p-Auf­lösung betreten und darin mit KI-Agenten experimentieren.

Genie 3 bringt interaktive KI-Welten in Echtzeit

Google Deepmind hat mit Genie 3 sein neuestes World-Model vorgestellt, das aus einfachen Textbefehlen interaktive 3D-Umgebungen in Echtzeit generieren kann. Das System erstellt dynamische Welten, durch die Nutzer mit 24 Bildern pro Sekunde bei 720p-Auflösung navigieren können und dabei mehrere Minuten lang konsistent bleiben.

Forschungsdirektor Shlomi Fruchter be­zeich­net Genie 3 als "das erste interaktive Echtzeit-World-Model für allgemeine Zwecke". Die KI-Systeme versuchen, die physikalischen Gesetze und Zusammenhänge der realen Welt zu verstehen und zu simulieren, was sie von herkömmlichen KI-Videogeneratoren unterscheiden.

Deutliche Verbesserungen zum Vorgänger

Während Genie 2 noch mit 360p-Auflösung arbeitete und theoretisch bis zu 60 Sekunden lief, in der Praxis aber oft früher Artefakte zeigte, kann Genie 3 mehrere Minuten lang konsistente Simulationen aufrechterhalten. Das Ge­dächt­nis des Vorgängermodells war auf etwa zehn Sekunden begrenzt. Ähnlich einem Chatbot, der sein Kontextfenster überschreitet, vergaß das System schnell, wie Teile der Welt aussahen, sobald sie nicht mehr sichtbar waren.

Genie 3 kann visuelle Informationen bis zu einer Minute zurück im Gedächtnis behalten. Diese Fähigkeit entwickelte sich laut Deepmind spontan, ohne dass die Forscher sie explizit programmiert hatten. Das System lernt eigenständig, wie die Welt funktioniert - wie Objekte sich bewegen, fallen und interagieren - indem es sich an das Generierte erinnert, ähnlich wie Menschen verstehen, dass ein Glas am Tischrand fallen wird.

Die Verbesserung der Auflösung von 360p auf 720p mag auf den ersten Blick bescheiden erscheinen, stellt aber eine Vervierfachung der Pixelanzahl dar. Für ein System, das diese Bilder in Echtzeit berechnet, ist das ein durchaus erheblicher technischer Fortschritt. Zum Vergleich: Die meisten aktuellen KI-Videogeneratoren benötigen Minuten oder Stunden, um wenige Sekunden Video zu erstellen.

Promptable Events für dynamische Änderungen

Ein Highlight sind die sogenannten "Promptable World Events". Nutzer können die Simulation mit Textbefehlen in Echtzeit verändern - etwa eine Hirschherde in eine Ski-Szene einfügen. Diese Funktion verwandelt die Simulation von einem statischen Raum in eine flexible und editierbare Umgebung.


Das System kann vielfältige Szenarien erstellen, von realistischen Landschaften mit dynamischen Wettereffekten wie Wind, Regen und Lava bis hin zu futuristischen Umgebungen mit Portalen und fliegenden Inseln. Auch historische Orte wie Venedig oder das antike Knossos können rekonstruiert werden. Die Bandbreite reicht von fotorealistischen Naturszenen bis hin zu stilisierten Cartoon-Welten.

Training für KI-Agenten als Hauptzweck

Während Genie 3 Potenzial für Bildung und Gaming besitzt, sieht Google Deepmind den Hauptnutzen im Training von KI-Agenten für allgemeine Aufgaben - ein wesentlicher Baustein auf dem Weg zur Artificial General Intelligence (AGI). Deepmind testet das System bereits mit seinem SIMA-Agenten (Scalable Instructable Multiworld Agent), der in einer Lagerumgebung noch simple Aufgaben wie "Gehe zum grünen Müllkompressor" erfolgreich bewältigte.

Ein Hauptproblem beim AGI-Fortschritt ist der Mangel an zuverlässigen Trainingsdaten. Nachdem praktisch alle Webseiten und Videos der Welt in KI-Modelle eingespeist wurden, wenden sich Forscher synthetischen Daten zu. World-Models wie Genie 3 könnten hier eine Schlüsselrolle spielen, da sie unendlich viele Trainingsszenarien generieren können, ohne auf reale Daten angewiesen zu sein.

Grenzen und technische Herausforderungen

Das Modell kann reale Orte nicht perfekt nachbilden und hat Schwierigkeiten bei der Textdarstellung. Für echte Nützlichkeit müsste Genie stundenlang, nicht nur minutenlang, konsistente Welten erzeugen. Die Interaktionsmöglichkeiten der KI-Agenten sind noch begrenzt - sie können sich nur in der Welt bewegen, aber diese nicht selbst verändern.


Genie 3 ist vorerst zudem nur als eingeschränkte Forschungsvorschau verfügbar und wird zunächst nur einer kleinen Gruppe von Akademikern und Kreativen zugänglich gemacht. Der hohe Rechenaufwand - das System rendert praktisch sehr lange Videos in Echtzeit - macht eine breitere Verfügbarkeit derzeit unrealistisch.

Ein weiteres Problem ist der sogenannte "Drift" - kleine Ungenauigkeiten, die sich über die Zeit akkumulieren und zu unrealistischen Szenarien führen können. Obwohl Genie 3 hier Fortschritte gemacht hat, bleibt das eine fundamentale Herausforderung für alle generativen World-Models.

Was haltet ihr von Genie 3 und seinen Möglichkeiten? Seht ihr das System eher als Forschungswerkzeug oder als Zukunft des Gamings? Teilt uns eure Gedanken in den Kommentaren mit.


Siehe auch: