谷歌 DeepMind 发布 Genie 4：世界模型加入实时音频与实时操控

谷歌 DeepMind 发布最新世界模型 Genie 4，以研究预览的形式向受信任测试者开放。按照 TechCrunch 的报道，这一版本生成的可交互世界比前代更接近照片级真实，用户还可以在模拟进行中直接输入文字提示来改变场景。

音频是这次最直观的补充。Genie 4 能生成与模拟世界匹配的实时声音，包括音乐、环境噪声和可交互的对话。谷歌同时放宽了编辑自由度：天气和机位可以实时调整，也能随时加入新的人物或物体，而不再局限于预设动作。

一致性上限也被拉长。Genie 4 可以把同一场景维持约两分钟，是前代 Genie 3 的两倍。物理表现更自然，角色的动作也更接近真人。Genie 3 以研究预览形式发布至今已有一年多，谷歌此番明显是在补上“看起来更真、玩起来更顺”这两块短板。

模型之外，更值得注意的是与 Gemini 的配合方式。Gemini 在系统中扮演“导演”，负责规划步骤、检查画面，Genie 负责把画面生成出来。在一个与 Gemini Robotics 相关的研究实验中，一个 Gemini 4 Argon 模型把任务拆解成若干步骤，再由 Genie 4 实时模拟出来，这提供了一条先在仿真中验证机器人操作、再迁移到现实的路径。

谷歌研究总监 Tejas Kulkarni 在简报会上把方向概括为“混合世界模型”：由 Gemini 负责写代码与文本，Genie 实时接收并模拟不同抽象层级的现实。这一分工意味着世界模型不再只是视频生成器，而更像是可以调用工具、接受指令的仿真内核。

商业场景仍集中在游戏、互动学习和机器人。谷歌给出的一个想象是让用户走进一幅历史画作，与画中人讨论画中的事件。不过更早落地的可能是影视前期：受信任测试者反馈，实时反馈在创意构思和分镜阶段最有价值，因为此时最需要保持创作的心流。DeepMind 工程师 Diego Rivas 提到，未来用户或许能借助多模态模型 Gemini Omni 把原型转成可用的素材，但这类能力“还有距离”。

局限也很明确。谷歌团队承认，模拟时间越长，细节和物体会漂移，音频的准确性以及场景内文字的可读性也还没有完全解决。Rivas 反复强调 Genie 4 仍处于早期，端到端的产品形态尚未定型。

竞争正在升温。Runway 两个月前发布了带音频的第二代世界模型 GWM Worlds 2；World Labs 正被 AMD 收购，亚马逊在与 Decart 洽谈收购，Rivian 则刚收购 Third Dimension，把仿真能力收入内部用于自动驾驶测试。Genie 4 目前仅向受信任测试者开放，未来数周将随 Project Genie 向 Google AI Ultra 订阅者开放，并向 Gemini API 与 AI Studio 的早期访问伙伴开放。真正的考验是，这些“可玩的世界”能否变成可用的生产工具。