精华速览

Google DeepMind 正式发布新一代世界模型 Genie 4，在真实感、物理模拟和交互能力上较前代升级，单次模拟时长从约一分钟延长至两分钟。用户输入文字即可生成可探索的虚拟世界，并在运行中继续修改天气、添加角色或物体。Genie 4 首次支持原生音频生成，可实时输出环境声、音乐和人物对话。更关键的是，谷歌将 Gemini 引入世界模拟：Gemini Omni 提供现实世界外观与行为基础，Gemini 3.8 Flash 充当实时引导智能体，负责任务分解与步骤判断，Genie 4 则负责生成环境。该模型已向部分受邀测试者开放研究预览，未来将通过 Project Genie 向 Google AI Ultra 订阅用户开放。

要点透视

  • Genie 4 单次交互模拟时长约两分钟，较 Genie 3 的约一分钟翻倍，但模拟时间延长后仍存在物体细节变化和场景前后不一致问题。
  • Genie 4 首次支持原生音频生成，可在生成画面的同时实时输出海浪声、风声、音乐和人物对话，但音频准确性尚待改进。
  • Gemini Omni 为模拟提供现实世界的外观与行为基础，Gemini 3.8 Flash 作为实时引导智能体观察生成画面、分解任务并判断每一步是否成功。
  • 谷歌展示 Gemini 4 Argon 与 Genie 4 结合的研究实验：前者将任务分解为连续步骤，后者实时模拟 Apptronik 旗下 Apollo 人形机器人下跳棋的过程。
  • 沃顿商学院教授伊桑·莫利克用一句提示词在一分钟内生成一座由机器人和马匹居住的新哥特式粗野主义虚拟城市，并实时加入巨龙和一只水獭 NPC。
  • a16z 投资人贾斯汀·摩尔展示了被其称为「GTA Waymo」的演示，在完全由 AI 实时生成的城市环境中自由探索并直接交互。
  • Genie 4 已向电影、游戏、新闻、教育和工程等行业测试者开放研究预览，未来将通过 Project Genie 面向 Google AI Ultra 订阅用户，并逐步提供给 Gemini API 和 Google AI Studio 早期合作伙伴。
  • 竞争格局方面，Runway 已推出支持实时音频和交互的 GWM Worlds 2，李飞飞创立的 World Labs 走空间智能路线，AMD 今年 9 月宣布以约 82 亿美元收购 World Labs。

文章拆解

Genie 系列的技术路线演进清晰：2024 年的 Genie 1 尝试从视频中学习动作与环境变化的关系，Genie 2 扩展到可探索的三维环境，2025 年的 Genie 3 实现实时生成与实时交互，Genie 4 则在真实感、物理模拟、音频和交互时长上继续加码。这一路径表明，谷歌正把世界模型从「生成一段可观看的视频」推向「生成一个可进入、可操作、可持续响应的环境」。

Genie 4 最值得关注的变量不是画面精度，而是 Gemini 与 Genie 的分工。Gemini 负责规划和组织复杂事件，Genie 负责将规划转化为实时变化的画面、声音和物理环境。谷歌研究主管 Tejas Kulkarni 明确将混合世界模型视为未来重要方向。这一组合的意义在于，AI 开始尝试在自己创造的世界中预测并验证行动后果，而不仅是输出内容。对于机器人训练而言，若世界模型能准确模拟物理环境，机器人可在虚拟空间中提前练习危险或高成本场景，再将能力迁移到现实，这比生成漂亮视频更具产业价值。

从应用侧看，电影制作、游戏原型、新闻教育和工业仿真是最先被提及的方向。导演可通过文字生成可探索场景并直接调整镜头、灯光和人物动作；游戏开发者可用提示词快速测试美术风格和基础互动玩法。但需要警惕的是，谷歌提到摄影记者尝试将二维历史照片转化为动态场景，AI 据此推断的画面不能直接视为对历史事实的准确重建，这类应用存在事实性风险。

当前限制同样明确：约两分钟的模拟时长、延长后物体细节漂移、连续修改提示词后早期场景信息丢失、复杂物理交互与空间准确性不足、音频准确性和画面文字可读性待改进。这些短板意味着 Genie 4 距离支撑大型开放世界游戏仍有不小距离，尚待确认其长期一致性问题的改善速度。

竞争层面，Runway 的 GWM Worlds 2 已支持实时音频和交互，World Labs 选择强调三维环境重建与长期一致性的空间智能路线，AMD 以约 82 亿美元收购 World Labs 的举动说明世界模型的价值正从内容生成延伸至机器人和 AI 算力基础设施。谷歌凭借 Gemini 的推理能力与 Genie 的模拟能力形成组合优势，但能否在开放生态和订阅商业化上跑通，仍取决于 Project Genie 的实际交付节奏与开发者反馈。

查看原文