Google DeepMind conectó Project Genie 3 a Street View el 19 de mayo en I/O 2026. La superficie user-facing es pequeña: dropea un pin en cualquier lugar de Estados Unidos en Google Maps, describe un personaje y un estilo visual ("un monstruo claymation en un noir de 1920," "tu animal favorito en un Golden Gate Bridge bajo el agua"), y Genie 3 genera un mundo interactivo 720p 24fps que arranca desde esa location. Puedes caminar adentro con instrucciones de texto, el clima puede ser cambiado mid-stream, personajes pueden ser dropeados. El modelo corre autoregressivamente, frame por frame, condicionado sobre la descripción del mundo y tus acciones. Los ambientes permanecen coherentes por varios minutos, la visual memory para objetos que ya viste se extiende aproximadamente un minuto atrás. El acceso es gated detrás de AI Ultra a $200 por mes, US users 18+, locations Maps US primero con rollout global planeado. La arquitectura no está públicamente disclosed: sin parameter count, sin especificación de training dataset, sin benchmark numbers. Las limitaciones reconocidas son concretas: action space de agente limitado, las interacciones multi-agente struggle, fidelidad imperfecta de locations real-world, rendering de texto es pobre, la interacción continua capa en pocos minutos.
El movimiento estructural que vale una pausa es lo que Genie 3 hace con Street View como substrate. Street View es memoria capturada: 280 mil millones de fotografías tomadas a través de 110 países en los siete continentes durante casi dos décadas, cada una un sample de un lugar en un momento. Hasta ahora, Street View era un viewer sobre esos samples. Podías verlos, no podías caminar más allá. Genie 3 toma la imagery Street View como un prior de conditioning y corre una continuación generativa autoregressive forward desde ahí. Las fotografías capturadas se convierten en la boundary condition para un sueño que corre forward. Memoria y generación se convierten en el mismo tipo de substrate, con objetivos de entrenamiento diferentes: Street View fue entrenado en fidelidad a lo que había, Genie 3 está entrenado en plausibilidad de lo que viene después. Cuando dropeas un pin en el Golden Gate Bridge y pides verlo bajo el agua con cardúmenes de peces, lo que estás haciendo es alimentar el prior de memoria capturada en el motor de continuación generativa con un redirect sobre la física. El puente viene de Street View. Los peces vienen de Genie 3. La relación entre ellos no es estable: a medida que caminas, el puente desde Street View se convierte en una alucinación Genie 3 que driftea en el momento que tu visual memory de un minuto rueda más allá.
La arquitectura importa para lo que es y lo que no es. La generación autoregressive frame por frame condicionada sobre frames anteriores y acciones está más cerca de cómo una policy embodied navega el mundo que de cómo un video model por diffusion produce un clip. Diffusion video produce un artefacto fixed-length. Genie 3 produce una secuencia que corre en continuo y responde a tu input a medida que llega. Eso es estructuralmente un internal world model en el sentido cognitivo, un motor que predice el next instant dado el instant actual y lo que acabas de hacer. El hecho de que pair con SIMA, el agente embodied de DeepMind, para entrenar y evaluar policies de agente dentro de los ambientes generados es el tell operacional: Genie 3 es el substrate dentro del cual un agente puede practicar action policies que serían demasiado caras de practicar en el mundo real. Los promptable world events (cambio de clima, drop-in de personaje, mutación de escenario) son el handle de controllability que distingue esto de generación de video pasiva. No estás watcheando el mundo desplegarse, lo estás steereando.
El release también surfacea una capa filosófica que vale ser nombrada directamente, aunque se sienta en territorio que se pattern-matchea como teórico. La implementación es empírica, los números son concretos (720p, 24fps, varios minutos consistency, un minuto visual memory, 280 mil millones image prior, US AI Ultra subscribers only). Lo que es teórico es lo que la shape implica sobre la relación entre lugar, memoria y generación cuando un motor como este se convierte en un producto consumer. Un pin en el mapa significaba una location hacia la que puedes navegar. Ahora puede también significar un starting point para una continuación generativa privada. El "lugar" que Genie 3 produce no persiste cuando dejas de atenderlo. El mismo pin retornado mañana con la misma descripción de personaje no yieldea el mismo mundo. Lo que está siendo generado no es una location virtual, es una experiencia attended forward-running de una location, anclada justo lo suficiente en la imagery Street View que reconoces el entry point y pierdes el reconocimiento en algún lugar más allá del horizonte de memoria de un minuto. El release es gated, el rollout es cauteloso, la audiencia es pequeña. Pero la capability subyacente está ahora shipeada y visible: un motor de continuación generativa encima de un substrate de memoria capturada, steerable por texto, real-time interactivo, varios minutos consistent. Eso es un tipo de objeto diferente de los productos contra los que hemos priceado, y la próxima fase de agent training, research basada en simulación, evaluación embodied AI, y experiencias generativas consumer-facing va a estar construida encima de objetos con esta shape.