Genie 4 vs Agora 2：監督のいる一つの世界か、それとも同じ部屋に二十人か

「最大20人の参加者」は、Odysseyが2026年9月21日にAgora 2をリリースする際に用いた数字であり、分解すると聞こえる以上に興味深いものになる。4人の人間のコントローラーと16体の自律エージェントが、ひとつの永続的な世界を共有しているのだ。5週間後の2026年10月27日にGoogle DeepMindが発表したGenie 4は、ほぼ正反対の賭けに出ている。単一のユーザーに、ネイティブ音声と自然言語による指示を備えた極めて説得力のある世界を与えるが、二人目がそこへ踏み入ることは許さない。これらは同じ製品の品質階層が異なる二つのバージョンではない。たまたま名詞を共有している二つの研究プログラムなのだ。

両者を分ける3つの問いは、世界にはほかに誰がいるのか、誰も見ていないときに世界は存在するのか、そして世界は音を立てるのか、である。Genie 4は3番目について、これまでに出荷されたどの製品よりもよく答えるが、最初の2つにはまったく答えない。Agora 2は最初の2つに答え、3番目についてはほとんど何も言うことがない。

20は本当に4足す16です

Odysseyの見出しはマルチプレイヤーに関する主張であり、実際に何が接続されているのかを正確に述べる価値がある。4人の人間がリアルタイムでキャラクターを操作する。さらに16体のエンティティは強化学習で訓練されたポリシー——モンスターやコンパニオンの行動——であり、同じワールド内で行動する。したがって正直な説明は、学習済みエージェントが存在する4人プレイヤーゲームであり、これはAgora 1の参加者数の5倍であり、シングルプレイヤーの生成デモとは意味のあるほど異なるアーキテクチャである。

環境は単一ではなく複数あり、振る舞いはより長い時間軸にわたって維持され、訓練データは2000年のアイソメトリック・アクションRPG『Diablo II』のキャプチャだ。この最後の詳細は珍しい話ではない。それは、チームがフォトリアルなオープンワールドではなく、固定カメラの文法と密なエンティティ間相互作用を持つゲームを意図的に選んだことを示している。なぜなら、そこは共有状態をテストでき、視覚的基準を達成できる設定だからだ。

オフスクリーン状態が難所である理由

Genie 4 を含むほとんどの世界モデルは、非常に高度な動画生成器のように動作します。シーンはフレームとして存在し、カメラが現在向いていないものは、カメラが戻ったときに再生成する必要があります。そのためオブジェクトの永続性が低下し、Google 自身の発表資料も、シミュレーションの実行時間が長くなるほど、またプロンプトの編集が複雑になるほど、細部や物体がずれると警告しています。

Agora 2は、中核が動画生成器ではないことでこれを解決する。あらゆる視点から独立して存続する権威あるサーバー側のワールド状態を実行し、移動を処理する学習済みシミュレーションモデルと、各クライアントが見るものを描画する別個のレンダリングスタックを備えている。エンティティは誰も見ていなくても存在し続ける。20人の参加者が同時に一貫性を保てるのはそのためだ。彼らはそれぞれが生成器に他の参加者を想像するよう求めているのではなく、一つの共有された真実から読み取っているのだ。

共有しなければならない部分の設計は、意図的に小さくしてある。シミュレーションモデルは約446万パラメータ、4層、幅256で、14個の移動ブランチと独立した向きヘッドを備えると報告されている。レンダラーは大きなネットワークだ。約10億パラメータのフローマッチングTransformerで、幅2,048の16ブロックを持ち、そのうち5ブロックが因果的な時間アテンションを担う。乱暴に言えば、ルールは安価にして全員に同一のものとし、計算資源は各プレイヤーが見るものに費やす、ということだ。

Genie 4の強みは、聞こえる部分にある

それと比べると、Genie 4の貢献は狭く見えるが、実際はそうではない。ネイティブ音声——環境音のサウンドスケープ、音楽、そしてシーン内で反応するキャラクターとの音声対話——は、この比較に登場する他のどのワールドモデルもまったく提供していないものだ。Odysseyの技術報告書には音声に関する主張はない。ABot-Earth、WorldClaw、HY-Nomasにも同様にない。

それは娯楽よりもシミュレーションにとって重要なことだ。音を生成できない身体性エージェント向けのトレーニング環境は、入力モダリティを一つ丸ごと欠いている。音声のないプリビジュアライゼーションツールでは、音響部門が他人のタイミングに合わせて一から作業することになる。Genie 4 はシミュレーションの途中で自然言語によって操作できるが、Agora 2 はそうではない — Odyssey の世界はゲームメカニクスとプレイヤー入力によって支配されており、天気を変えるプロンプトによってではない。

Genie 4にできないのは、2台目のコントローラーを受け入れることだ。共有状態も、権威サーバーも、別の参加者という概念もない。4人でプレイさせようとすると、同じプロンプトをたまたま共有しているだけの、4つの独立した世界が出来上がる。

640×480は設計上の選択であり、バグ報告ではありません

Agora 2 は 640×480 でレンダリングされ、レビュアーはオブジェクトに時折ぼやけが見られると指摘している。Genie 4 が主張するフォトリアリズムと並べて、それを欠点として指摘するのは簡単だろう——ただし、Genie 4 は解像度を一切公表していない。

その非対称性は、しばらく噛みしめる価値がある。一方のチームは低解像度の世界をリリースし、限界についての章を公開して、持続的なフレームレート、入力から表示までの遅延、長期的な視覚品質、視点間の一致、行動追従性が定量的に評価されていないことを認めた。もう一方は、フォトリアルという主張と、2分間のコヒーレンス窓を出し、数字は一切示さなかった。一方が測定可能で、もう一方がそうでないとき、測定可能な側はたいてい見劣りし、たいていより有用である。

世界モデルは何のためにあるのかをめぐる2つの異なる賭け

Odysseyは、興味深い問題は社会的かつマルチエージェント的なものだと賭けている。彼らの枠組みは明確だ。共有されたシミュレーション世界は、多数のエージェントが共にどう振る舞うかを研究する上で、現実世界よりも安全な場である。同社は動機として、約1,200体のエージェントが自己組織化したというMETR報告のインシデントを挙げている。このテーゼの下では、忠実性は手段であり、参加者数が要点である。なぜなら、観察したい現象——共謀、調整、創発的な役割分担——は規模が大きくなって初めて現れるからだ。

Googleは、興味深い問題は知覚と指示に関するものだと賭けている。そのテーゼの下では、フォトリアルで音が聞こえ、操作可能な世界を備えた単一のディレクターが有用な成果物となる——そのディレクターがショットを組む映画製作者であれ、タスクをリハーサルするロボティクスチームであれ。Genie 4の最も象徴的なデモは、まさにこれに当てはまる：Gemini 4 Argonがタスクを分解し、Genie 4がそれをApptronik Apolloヒューマノイド向けにリアルタイムでシミュレーションした。エージェントは1つ、世界は1つ、群衆は不要。

両方の賭けは正しくなり得る。それらを一つのモデルで満たすことはできない。だからこそ「どちらが優れているか」という枠組みは失敗する。

誰も見出しには載せない「奉仕の請求書」

Agora 2は、4人プレイのセッションを提供するのに約4台のRTX PRO 4500 GPUを使用し、トレーニングとサービングはAWS Trainium上で行うと報じられている。これは現実的な数字であり、研究プレビューが製品になり得るかどうかを左右する類の数字だ。1つの世界に20人の参加者を置くことは、プレイヤー数の面では安上がりだが、シリコン面では高コストである。なぜなら、状態を共有するということは、サーバーが全員に対して同時に唯一の正となる状態を管理しなければならないことを意味するからだ。

Genie 4は提供コストを一切明らかにしていない。これは信頼されたテスター向けの研究プレビューであり、次に対象となるのはGoogle AI Ultraの購読者と早期アクセスのGemini APIパートナーだ。テスター集団の外にいる人には、生成された世界の1分を制作するのにいくらかかるのか誰も分からない。つまり、その印象的なデモが価格表に直面しても生き残るかどうかは、まだ誰にも言えないということだ。

それぞれが実際に何の証拠になっているのか

Agora 2 は、ワールドモデルがレンダリングのトリックではなく、マルチエージェント研究の基盤になり得ることを示す証拠です。あなたの問いが「多くのエージェントが環境を共有すると何が起こるか」であるなら、2つのうち共有できる環境を持つのはこれだけであり、agora.odyssey.ml でブラウザからプレイできることは、研究プレビューとしては異例にアクセスしやすいものにしています。

Genie 4は、知覚の天井が引き上がったことを示す証拠だ。あなたの問いが「生成された世界は、それをもとに計画を立てられるほど説得力を持ちうるか」というものであるなら、それは一歩先を行っている。そしてその理由は音声にある——世界モデルが、沈黙を詫びることなく誰かに手渡せるようなシーンを生み出したのは、これが初めてなのだ。

世界を構築するのではなくエージェント基盤を構築しているチームにとって、Agora 2から得られる実践的な教訓は、調整コストが支配的になるということだ。1つの世界に20体のエージェントを置くことは、グラフィックスの問題である前にルーティングの問題である。どのモデルがどのエージェントのポリシーを処理するのか、あるエンドポイントが停止したときに何が起きるのか、安価な検証呼び出しをいかに安価に保つのか。私たちが取り組んでいるのはそのレイヤーだ。200以上のモデルを横断する単一のAPIと自動フェイルオーバーにより、あるプロバイダーが一時的に不調だったせいでマルチエージェントの実行が止まることはない。そして、最終的にどのワールドモデルを標準化するとしても、変わらずに残るレイヤーでもある。

2026年10月に問う価値があるのは、この二つのどちらが優れているかではない。必要なワールドモデルは、他のエージェントが立つことのできる場所なのか、それとも自分で演出できる一ショットなのか、という点だ。Odysseyは前者をつくった。Googleは後者をつくり、これまでに誰も見せた中で最も見栄えのするものにした。