Google DeepMind ने 19 मई को I/O 2026 पर Project Genie 3 को Street View से जोड़ा। User-facing surface छोटा है: United States में Google Maps पर कहीं भी एक pin drop करो, एक character और एक visual style describe करो ("1920 के noir में एक claymation monster," "underwater Golden Gate Bridge में तुम्हारा favorite animal"), और Genie 3 उस location से शुरू होकर एक 720p 24fps interactive world generate करता है। तुम text instructions के साथ अंदर चल सकते हो, mid-stream में मौसम बदला जा सकता है, characters drop किए जा सकते हैं। Model autoregressively चलता है, frame-by-frame, world description और तुम्हारे actions पर conditioned। Environments कई मिनट तक coherent रहते हैं, उन objects के लिए visual memory जो तुमने पहले से देखे हैं लगभग एक मिनट पीछे फैलती है। पहुँच AI Ultra के $200 प्रति माह के पीछे gated है, US users 18+, Maps US locations पहले global rollout planned के साथ। Architecture publicly disclosed नहीं है: कोई parameter count नहीं, कोई training dataset specification नहीं, कोई benchmark numbers नहीं। स्वीकृत limitations concrete हैं: limited agent action space, multi-agent interactions struggle, real-world locations की imperfect fidelity, text rendering खराब है, continuous interaction कुछ मिनटों पर cap।
रुकने योग्य structural move वह है जो Genie 3 Street View को एक substrate के रूप में करता है। Street View captured memory है: 110 देशों में सात महाद्वीपों पर लगभग दो दशकों में ली गई 280 billion photographs, प्रत्येक एक स्थान का एक क्षण में sample। अब तक, Street View उन samples पर एक viewer था। तुम उन्हें देख सकते थे, तुम उनसे आगे नहीं चल सकते थे। Genie 3 Street View imagery को एक conditioning prior के रूप में लेता है और वहाँ से एक autoregressive generative continuation forward चलाता है। Captured photographs एक forward चलने वाले dream के लिए boundary condition बन जाती हैं। Memory और generation एक ही प्रकार के substrate बन जाते हैं, अलग training objectives के साथ: Street View को वहाँ जो था उसकी fidelity पर train किया गया था, Genie 3 को आगे क्या आता है उसकी plausibility पर trained है। जब तुम Golden Gate Bridge पर एक pin drop करते हो और इसे मछलियों के झुंड के साथ underwater देखने का request करते हो, तुम जो कर रहे हो वह captured memory prior को generative continuation engine में physics पर एक redirect के साथ feed कर रहे हो। पुल Street View से है। मछलियाँ Genie 3 से हैं। उनके बीच का संबंध stable नहीं है: जैसे-जैसे तुम चलते हो, Street View से पुल एक Genie 3 hallucination बन जाता है जो उस क्षण drift करता है जब तुम्हारी एक-मिनट visual memory उसके आगे roll करती है।
Architecture इसके लिए मायने रखती है कि यह क्या है और क्या नहीं है। Prior frames और actions पर conditioned autoregressive frame-by-frame generation इस बात के करीब है कि एक embodied policy दुनिया को कैसे navigate करती है, बजाय इसके कि एक diffusion video model कैसे एक clip बनाता है। Diffusion video एक fixed-length artifact बनाता है। Genie 3 एक continuously चलने वाला sequence बनाता है जो तुम्हारे input के आते ही जवाब देता है। यह संरचनात्मक रूप से cognitive अर्थ में एक internal world model है, एक engine जो current instant और जो तुमने अभी किया उसके आधार पर next instant की भविष्यवाणी करता है। यह तथ्य कि यह DeepMind के embodied agent SIMA के साथ pair करता है, generated environments के अंदर agent policies को train और evaluate करने के लिए, operational tell है: Genie 3 वह substrate है जिसके अंदर एक agent action policies practice कर सकता है जो असली दुनिया में practice करना बहुत महंगा होगा। Promptable world events (weather change, character drop-in, scenario mutation) वह controllability handle हैं जो इसे passive video generation से अलग करते हैं। तुम दुनिया को unfold होते नहीं watching हो, तुम इसे steering हो।
Release एक philosophical layer भी surface करता है जो directly नाम देने योग्य है, भले ही यह उस territory में बैठती है जो theoretical के रूप में pattern-matched होती है। Implementation empirical है, numbers concrete हैं (720p, 24fps, कई मिनट consistency, एक मिनट visual memory, 280 billion image prior, केवल US AI Ultra subscribers)। Theoretical यह है कि जब इस तरह का एक engine consumer product बन जाता है तो shape place, memory, और generation के बीच के संबंध के बारे में क्या implies करती है। Map पर एक pin का मतलब था एक location जिस पर तुम navigate कर सकते हो। अब इसका मतलब एक private generative continuation के लिए एक starting point भी हो सकता है। जो "place" Genie 3 produce करता है वह तब persist नहीं करता जब तुम उसे attending करना बंद करते हो। कल वही character description के साथ लौटा हुआ वही pin वही world yield नहीं करता। जो generate किया जा रहा है वह एक virtual location नहीं है, यह एक location का एक attended forward-running experience है, Street View imagery में बस इतना anchored कि तुम entry point को पहचानो और एक-मिनट memory horizon से कहीं आगे recognition खो दो। Release gated है, rollout cautious है, audience छोटी है। लेकिन underlying capability अब shipped और visible है: captured memory substrate के ऊपर एक generative continuation engine, text द्वारा steerable, real-time interactive, कई मिनट consistent। यह उन products से अलग प्रकार का object है जिसके खिलाफ हमने priced किया है, और agent training, simulation-based research, embodied AI evaluation, और consumer-facing generative experiences की अगली phase इस shape के objects के ऊपर बनाई जाएगी।