Google DeepMind conectou Project Genie 3 ao Street View em 19 de maio no I/O 2026. A superfície user-facing é pequena: droppe um pin em qualquer lugar dos Estados Unidos no Google Maps, descreva um personagem e um estilo visual ("um monstro claymation em um noir de 1920," "seu animal favorito em um Golden Gate Bridge sob a água"), e Genie 3 gera um mundo interativo 720p 24fps que arranca a partir daquela location. Você pode caminhar dentro com instruções de texto, o clima pode ser mudado mid-stream, personagens podem ser droppados. O modelo roda autoregressivamente, frame por frame, condicionado sobre a descrição do mundo e suas ações. Os ambientes permanecem coerentes por vários minutos, a visual memory para objetos que você já viu se estende aproximadamente um minuto para trás. O acesso é gated atrás de AI Ultra a $200 por mês, US users 18+, locations Maps US primeiro com rollout global planejado. A arquitetura não está publicamente disclosed: sem parameter count, sem especificação de training dataset, sem benchmark numbers. As limitações reconhecidas são concretas: action space de agente limitado, as interações multi-agente struggle, fidelidade imperfeita de locations real-world, rendering de texto é pobre, a interação contínua cap em poucos minutos.

O movimento estrutural que vale uma pausa é o que Genie 3 faz com Street View como substrate. Street View é memória capturada: 280 bilhões de fotografias tiradas através de 110 países nos sete continentes ao longo de quase duas décadas, cada uma um sample de um lugar em um momento. Até agora, Street View era um viewer sobre esses samples. Você podia vê-los, não podia caminhar além. Genie 3 toma a imagery Street View como um prior de conditioning e roda uma continuação generativa autoregressive forward a partir dali. As fotografias capturadas se tornam a boundary condition para um sonho que corre forward. Memória e geração se tornam o mesmo tipo de substrate, com objetivos de treinamento diferentes: Street View foi treinado em fidelidade ao que estava lá, Genie 3 é treinado em plausibilidade do que vem a seguir. Quando você droppa um pin no Golden Gate Bridge e pede para vê-lo sob a água com cardumes de peixes, o que você está fazendo é alimentar o prior de memória capturada no motor de continuação generativa com um redirect sobre a física. A ponte vem do Street View. Os peixes vêm do Genie 3. A relação entre eles não é estável: à medida que você caminha, a ponte do Street View se torna uma alucinação Genie 3 que driftea no momento em que sua visual memory de um minuto rola além.

A arquitetura importa para o que é e o que não é. A geração autoregressive frame por frame condicionada sobre frames anteriores e ações está mais perto de como uma policy embodied navega o mundo do que de como um video model por diffusion produz um clip. Diffusion video produz um artefato fixed-length. Genie 3 produz uma sequência que roda em contínuo e responde ao seu input à medida que chega. Isso é estruturalmente um internal world model no sentido cognitivo, um motor que prevê o next instant dado o instant atual e o que você acabou de fazer. O fato de que pair com SIMA, o agente embodied do DeepMind, para treinar e avaliar policies de agente dentro dos ambientes gerados é o tell operacional: Genie 3 é o substrate dentro do qual um agente pode praticar action policies que seriam caras demais para praticar no mundo real. Os promptable world events (mudança de clima, drop-in de personagem, mutação de cenário) são o handle de controllability que distingue isso de geração de vídeo passiva. Você não está watcheando o mundo se desdobrar, você está o steereando.

O release também surfacea uma camada filosófica que vale ser nomeada diretamente, embora sente em território que se pattern-matcheia como teórico. A implementação é empírica, os números são concretos (720p, 24fps, vários minutos consistency, um minuto visual memory, 280 bilhões image prior, US AI Ultra subscribers only). O que é teórico é o que a shape implica sobre a relação entre lugar, memória e geração quando um motor como este se torna um produto consumer. Um pin no mapa significava uma location para a qual você pode navegar. Agora pode também significar um starting point para uma continuação generativa privada. O "lugar" que Genie 3 produz não persiste quando você para de atendê-lo. O mesmo pin retornado amanhã com a mesma descrição de personagem não yieldea o mesmo mundo. O que está sendo gerado não é uma location virtual, é uma experiência attended forward-running de uma location, ancorada justo o suficiente na imagery Street View que você reconhece o entry point e perde o reconhecimento em algum lugar além do horizonte de memória de um minuto. O release é gated, o rollout é cauteloso, a audiência é pequena. Mas a capability subjacente está agora shippada e visível: um motor de continuação generativa em cima de um substrate de memória capturada, steerable por texto, real-time interativo, vários minutos consistent. Isso é um tipo de objeto diferente dos produtos contra os quais nós priceamos, e a próxima fase de agent training, research baseada em simulação, avaliação embodied AI, e experiências generativas consumer-facing vai estar construída em cima de objetos com esta shape.