구글 딥마인드가 새로운 월드 모델 Genie 4를 공개했다. 월드 모델은 이미지나 영상을 한 번에 생성하는 기존 생성 모델과 달리, 사용자의 입력에 따라 변하는 '세계' 자체를 실시간으로 시뮬레이션하는 모델을 말한다. Genie 4는 어떤 사건을 설정해 두면 그다음에 무슨 일이 벌어지는지, 세계가 어떻게 반응하고 어떤 소리가 나며 그 안의 사람들이 어떻게 움직이고 말하는지를 이어서 만들어낸다. 딥마인드는 이를 '연구 프리뷰' 단계로 신뢰할 수 있는 테스터에게 먼저 제공하며, 피드백을 수집한 뒤 소비자와 개발자에게 순차 공개할 계획이라고 밝혔다.
Gemini 위에 올라선 구조
Genie 4의 핵심은 독립된 모델이 아니라 Gemini 계열의 능력을 끌어다 쓰는 구조라는 점이다. 딥마인드의 설명에 따르면 Gemini Omni가 시뮬레이션을 현실 세계의 겉모습과 행동 양식에 '정박'시키는 역할을 하고, 다른 Gemini 모델들이 장면의 일관성과 연속성을 유지하는 데 필요한 복잡한 추론을 담당한다. 즉 무엇이 그럴듯하게 보이는가와 그것이 시간에 걸쳐 어떻게 모순 없이 이어지는가를 서로 다른 모델이 나눠 맡는 셈이다. 실무적으로 보면, 월드 시뮬레이션의 품질이 결국 기반 언어·멀티모달 모델의 추론 능력에 종속된다는 뜻이기도 하다.
사용자는 표준 키보드로 이동과 카메라를 제어하고, 텍스트 프롬프트로 장면을 바꿔 나간다. 날씨를 바꾸거나 카메라를 움직이거나 새로운 사람·사물을 등장시키는 식의 지시를 자연어로 내리면, Gemini가 그 지시를 주변 장면의 맥락에 맞게 조정해 반영한다. 흥미로운 대목은 사용자가 아무 입력을 하지 않는 사이에도 Gemini가 장면을 모니터링하며 세계가 일관되게 진행되도록 스스로 조종한다는 점이다. 사용자 조작과 모델의 자율적 유지가 번갈아 작동하는 구조다.
물리, 사람, 그리고 네이티브 오디오
Genie 4가 강조하는 진전은 크게 세 갈래다. 첫째는 물리로, 공기역학이나 충돌 같은 현실 물리 시나리오를 세계에 대한 물리적 이해를 바탕으로 시뮬레이션한다고 밝혔다. 둘째는 사람의 재현이다. 딥마인드는 가장 극적인 도약으로 인물 표현을 꼽으며, 캐릭터가 자연스럽게 움직이고 환경에 유기적으로 반응하며 실시간으로 조종될 수 있다고 설명했다. 공개된 예시 프롬프트에는 색소폰을 부는 중년 남성, 1980년대 일본 시골 기차역의 붐비는 승강장, 스테인드글라스로 이뤄진 3차원 풍경, 용을 타고 질주하는 1인칭 시점 등이 포함돼, 인물과 환경·시점을 세밀하게 통제하려는 방향을 보여준다.
셋째는 오디오다. Genie 4는 실시간 월드 모델 가운데 처음으로 오디오를 네이티브로 생성한다고 밝혔다. 나무 사이의 바람 소리나 해변에 부딪히는 파도 소리처럼 각 세계가 자기 설정에 맞는 환경음을 품는다. 더 나아가 딥마인드가 진짜 '프런티어'로 지목한 것은 사람의 말이다. 캐릭터가 사용자의 입력이나 세계 안의 사건에 반응해 실시간으로 대화하고, 그 대화가 상황에 따라 즉석에서 조정된다는 것이다. 공개된 예시의 모든 소리가 Genie 4가 직접 생성한 것이라는 점도 함께 강조됐다.
왜 월드 모델인가
딥마인드는 세계를 이해하고 시뮬레이션하는 능력을 AGI 구축의 핵심 요소로 규정한다. 무한히 변형 가능하면서도 안전한 시뮬레이션을 만들 수 있다면, 로봇과 에이전트를 위한 훈련 환경을 개발하거나 새로운 상호작용형 경험을 창출하는 데 쓸 수 있다는 논리다. Gemini와 Genie 4를 결합하면 다단계로 전개되는 복잡한 사건을 모델링하고, AI 시스템을 현실에 투입하기 전에 다양한 환경에서 어떻게 행동하는지 미리 시험해 볼 수 있다는 점도 제시됐다. 게임이나 영상 제작을 넘어 로보틱스·에이전트 학습용 가상 환경이라는 쓰임새를 분명히 겨냥한 셈이다.
다만 현시점에서 냉정히 짚어야 할 한계도 있다. Genie 4는 아직 일반에 열린 제품이 아니라 연구 프리뷰이며, 우선 Project Genie의 Google AI Ultra 구독자와 Gemini API·Google AI Studio 초기 접근 파트너에게만 제공된다. 관심 있는 이들은 대기자 명단에 이름을 올려야 한다. 또한 딥마인드가 공개한 것은 선별된 시연 영상과 프롬프트 사례일 뿐, 해상도·지속 시간·프레임 레이트·일관성 유지 한계 같은 정량적 성능 지표나 비교 수치는 제시되지 않았다. 실시간 상호작용의 반응 속도나 긴 세션에서의 세계 붕괴 여부처럼 실제 활용을 좌우할 요소들은 테스터 피드백과 정식 공개 이후에야 판단할 수 있을 것이다. 지금 단계에서는 방향성과 가능성을 보여주는 선언에 가깝다고 읽는 편이 안전하다.