10月29日消息，当地时间10月27日，谷歌DeepMind推出世界模型Genie 4研究预览版。该模型可生成高拟真度可交互虚拟世界，首次实现音视频同步生成，支持自由编辑，最长维持两分钟连贯画面。
谷歌DeepMind官方账号称，“Genie 4是我们迄今为止最逼真、最具交互性的世界模型。”
一句话创造可交互虚拟世界
与仅生成视频的AI工具不同，Genie 4生成的是一个可实时探索的交互式虚拟环境。用户通过文字提示创建场景后，可用键盘操控角色移动、调整镜头，并在模拟运行过程中继续输入指令，实时改变天气、摄像机角度，或添加新的人物与物体。
谷歌研究总监特贾斯·库尔卡尼表示，未来方向是“混合式世界模型”——由Gemini负责代码与文本层面的规划，Genie实时接收指令并在不同抽象层级上模拟现实。
技术升级集中在四个维度。原生音频生成是Genie系列首次实现的能力：模型在生成每一帧画面的同时，同步生成匹配的环境音、背景音乐和交互式对话，角色可以就场景中正在发生的事件实时交谈。
物理与人物模拟方面，Genie 4在空气动力学、碰撞和环境阻力等复杂交互上的准确度显著提升，数字人物的动作与面部表情也更加自然。
实时场景导演允许用户以自然语言在模拟中途“喊停改戏”，Gemini 3.8 Flash作为循环中的活跃代理，负责追踪画面帧、拆解目标、验证动作是否成功，并在场景变化时即时调整计划。
Genie 4能够处理多步骤复杂事件的连贯模拟，使开发者得以在虚拟环境中观察AI代理如何应对复杂场景，再将策略迁移至现实。
应用瞄准机器人训练与影视原型
谷歌明确将机器人训练、游戏开发、交互式学习和影视制作列为Genie 4的主要应用方向。
在机器人领域，一项与Gemini Robotics关联的实验显示，Gemini 4 Argon模型将任务拆解为多个步骤，再由Genie 4进行实时模拟，为在物理机器人执行任务之前于虚拟环境中测试场景提供了可行路径。
影视制作则成为早期测试者关注的新方向。谷歌DeepMind工程师迭戈·里瓦斯指出，实时生成能力在创意构思和故事板阶段“让创作者保持流畅的创作状态”方面价值最为突出。
沃顿商学院教授伊桑·莫利克在体验中仅用一句提示，便在一分钟内生成了一座“由机器人和马匹居住的新哥特式粗野主义城市”，随后实时加入了巨龙和NPC角色。
不过，谷歌在发布中反复强调，Genie 4仍处于研究预览阶段，尚未面向公众开放。目前模型仅向“受信任测试者”开放，计划在未来几周内通过Project Genie向Google AI Ultra订阅用户以及Gemini API和AI Studio的早期访问合作伙伴提供。
团队坦承模型存在明确局限：随着模拟时长增加，场景细节和物体稳定性容易出现漂移，音频准确性以及虚拟世界内文字的可读性也尚未完全解决。
所有Genie 4生成的视频与音频将附带SynthID隐形水印，谷歌表示模型经过了严格的安全评估以防止有害内容生成。
世界模型赛道竞争升温
Genie 4的发布正值世界模型领域的竞争与整合同步升温。
就在几个月前，AI视频初创公司Runway推出了其第二款世界模型GWM Worlds 2，同样主打可交互响应与音频生成。
行业整合也在加速。李飞飞创立的World Labs被AMD收购，亚马逊正洽谈收购Decart，Rivian则收购了Third Dimension以将模拟能力引入自动驾驶测试内部。
在更宏观的层面上，谷歌将世界模型置于通往AGI的关键路径之上。官方博客写道：“理解和模拟世界是构建AGI的关键一步”。
Genie 4能否从研究预览走向可规模化的产品，取决于其在真实工作流中的稳定性表现与开发者采用速度，但方向已经清晰：AI正在从生成内容，走向生成可供人类与机器共同训练、试错和创造的世界。
