Google DeepMind在10月27日以研究预览形式放出Genie 4。它能实时生成一个可以走进去的世界，用户在场景运行中打字，就能改天气、换镜头角度、加一个人物或摆一张桌子。声音也一起生成，环境底噪、配乐，还有能对动作做出反应的对话。
这是Genie系列第一次把声音和画面绑在一起生成。上一代Genie 3是一年多前的研究预览，单次场景只能维持约一分钟，Genie 4把这个上限推到两分钟，物理表现和人物动作也更接近真人。

图片来源：TechCrunch
两分钟这个数字听起来不起眼，放在世界模型里却是硬指标。视频模型生成的是“一段拍好的片子”，世界模型要生成“一个能一直走下去的地方”，走得越久越容易穿帮。谷歌团队自己承认，模拟跑久了细节会漂、物体会丢，音频准不准、场景里的字能不能看清，都还没有完全解决。
让场景撑住的是Gemini。按谷歌博客的说法，Genie 4生成画面时，Gemini在旁观察不断进来的帧，理解用户想干什么，把目标拆成步骤，再逐项核对是否完成，像个盯场的导演。在与Gemini Robotics相关的一项实验里，Gemini 4 Argon把任务拆解，Genie 4实时演出来。机器人还没进真实世界，先在这套模拟里跑一遍，这条路的价值不用多解释。
“未来会越来越多地看到这种混合世界模型，Gemini写代码和文本，Genie实时接收并模拟不同抽象层次的现实。”谷歌一位研究总监在简报会上这样说。不过真正支撑实时体验的是较轻量的Gemini 3.8 Flash，Argon更多是一次尝试。
对机器人来说，这套东西的价值在试错成本。真机上摔一次要修、要停机、要写事故报告，在模拟里摔一百次只是重开一局。谷歌在博客里把模拟世界称作通往通用智能的关键一步，理由是它能给机器人和智能体提供安全的训练环境。这话听着大，落到工程上就是先仿真、再上机，一步没省。
官方给出的去处是游戏、互动学习和机器人训练。互动学习的例子带着点科幻味：走进一幅描绘历史场景的画，和画里的人聊画上的事。听着远，方向却明摆着，静态的图像和视频只能看，能对话、能改的环境才叫场景。财联社的报道提到，用户还能用键盘在里面游历。虚拟世界不再是播放器里的一段流，而是可以走、可以碰、可以被一句话改写的地方。
可信测试者指出的另一个用途是电影预演。谷歌DeepMind一名工程师说，实时性最值钱的地方是创意上的心流，构思阶段、分镜阶段，任何时候需要快速把想法摆出来，它都在。真要变成能交付的素材，还得靠Veo和Gemini Omni接棒，他说那还有一段距离。拿到首批权限的是游戏开发者和电影制作人，他们试的是把想法变成可探索的原型，或者先把一场戏的调度勾出来。
游戏行业对这类模型的敏感有来由。今年1月谷歌用Genie 3做原型产品Project Genie上线，华尔街当天受到惊吓，游戏股集体下挫，投资人开始重新估算AI会不会改写游戏的制作流程。世界模型和多模态能力一直是谷歌的技术强项，Gemini 4 Argon发布后，被认为有助于缩小与OpenAI、Anthropic的差距。
这条赛道上不止谷歌。Runway几个月前发布了第二代世界模型GWM Worlds 2，同样可玩、能响应输入、带音频。据TechCrunch报道，行业正在整合，李飞飞创办的World Labs据报被AMD收购，亚马逊在洽谈收购Decart，Rivian则收购了Third Dimension，把模拟能力搬回内部做自动驾驶测试。
开放节奏已经排好，先给一小批可信测试者，未来几周向Google AI Ultra订阅用户在Project Genie里开放，同时给Gemini API和AI Studio的早期合作伙伴开权限。参数规模、上下文长度、跑分和价格，谷歌一个字没提。
把“世界”做成可以随手改的东西，方向是清楚的；跑两分钟就开始漂的细节，也是清楚的。中间那段距离，才是这类模型真正的战场。
#上头条 聊热点#