Google DeepMind a connecté Project Genie 3 à Street View le 19 mai à I/O 2026. La surface user-facing est petite : depose un pin n'importe où aux États-Unis sur Google Maps, décris un personnage et un style visuel ("un monstre claymation dans un noir des années 1920," "ton animal préféré dans un Golden Gate Bridge sous l'eau"), et Genie 3 génère un monde interactif 720p 24fps qui démarre à cette location. Tu peux marcher dedans avec des instructions texte, la météo peut être changée mid-stream, des personnages peuvent être droppés. Le modèle roule autoregressivement, frame par frame, conditionné sur la description du monde et tes actions. Les environnements restent cohérents pour plusieurs minutes, la visual memory pour les objets que t'as déjà vus s'étend environ une minute en arrière. L'accès est gated derrière AI Ultra à 200$ par mois, US users 18+, locations Maps US d'abord avec un rollout global planifié. L'architecture n'est pas publiquement disclosed : pas de parameter count, pas de spécification du training dataset, pas de benchmark numbers. Les limitations reconnues sont concrètes : action space d'agent limité, les interactions multi-agent struggle, fidélité imparfaite des locations real-world, rendering de texte est pauvre, l'interaction continue cap à quelques minutes.

Le move structurel qui vaut une pause c'est ce que Genie 3 fait avec Street View comme substrate. Street View c'est de la mémoire capturée : 280 milliards de photographies prises à travers 110 pays sur les sept continents sur presque deux décennies, chacune un sample d'un lieu à un moment. Jusqu'à maintenant, Street View était un viewer sur ces samples. Tu pouvais les voir, tu pouvais pas marcher au-delà. Genie 3 prend l'imagery Street View comme un prior de conditioning et roule une continuation générative autoregressive forward à partir de là. Les photographies capturées deviennent la boundary condition pour un rêve qui tourne forward. Mémoire et génération deviennent le même type de substrate, avec des objectifs d'entraînement différents : Street View a été entraîné sur la fidélité à ce qui était là, Genie 3 est entraîné sur la plausibilité de ce qui vient ensuite. Quand tu déposes un pin au Golden Gate Bridge et demandes à le voir sous l'eau avec des bancs de poissons, ce que tu fais c'est nourrir le prior de mémoire capturée dans le moteur de continuation générative avec un redirect sur la physique. Le pont vient de Street View. Les poissons viennent de Genie 3. La relation entre eux n'est pas stable : à mesure que tu marches, le pont depuis Street View devient une hallucination Genie 3 qui drift au moment où ta visual memory d'une minute roule au-delà.

L'architecture matter pour ce que c'est et ce que ça n'est pas. La génération autoregressive frame par frame conditionnée sur les frames antérieures et les actions est plus proche de comment une policy embodied navigue le monde que de comment un video model par diffusion produit un clip. Diffusion video produit un artefact fixed-length. Genie 3 produit une séquence qui tourne en continu et répond à ton input à mesure qu'il arrive. C'est structurellement un internal world model dans le sens cognitif, un moteur qui prédit le next instant étant donné l'instant courant et ce que t'as juste fait. Le fait que ça pair avec SIMA, l'agent embodied de DeepMind, pour entraîner et évaluer des policies d'agent à l'intérieur des environnements générés est le tell opérationnel : Genie 3 est le substrate à l'intérieur duquel un agent peut pratiquer des action policies qui seraient trop chères à pratiquer dans le monde réel. Les promptable world events (changement de météo, drop-in de personnage, mutation de scénario) sont le handle de controllability qui distingue ceci de la génération vidéo passive. Tu ne watches pas le monde se dérouler, tu le steers.

Le release surface aussi une couche philosophique qui vaut d'être nommée directement, même si elle siège dans un territoire qui se fait pattern-matché comme théorique. L'implémentation est empirique, les chiffres sont concrets (720p, 24fps, plusieurs minutes consistency, une minute visual memory, 280 milliards image prior, US AI Ultra subscribers only). Ce qui est théorique c'est ce que la shape implique sur la relation entre lieu, mémoire et génération quand un moteur comme ça devient un produit consumer. Un pin sur la map signifiait une location vers laquelle tu peux naviguer. Maintenant ça peut aussi signifier un starting point pour une continuation générative privée. Le "lieu" que Genie 3 produit ne persiste pas quand tu arrêtes d'y attendre. Le même pin retourné demain avec la même description de personnage ne yield pas le même monde. Ce qui est généré n'est pas une location virtuelle, c'est une expérience attended forward-running d'une location, ancrée juste assez dans l'imagery Street View que tu reconnais l'entry point et perds la reconnaissance quelque part au-delà du horizon de mémoire d'une minute. Le release est gated, le rollout est prudent, l'audience est petite. Mais la capability sous-jacente est maintenant shipée et visible : un moteur de continuation générative au-dessus d'un substrate de mémoire capturée, steerable par texte, real-time interactif, plusieurs minutes consistent. C'est un type d'objet différent des produits contre lesquels on a pricé jusqu'ici, et la prochaine phase d'agent training, de research basée simulation, d'évaluation embodied AI, et d'expériences génératives consumer-facing va être construite par-dessus des objets avec cette shape.