谷歌Genie 4发布：120秒可交互世界
谷歌Genie 4发布：120秒可交互世界
Google DeepMind刚刚正式发布了新一代世界模型 Genie 4，AI生成的虚拟世界又向现实迈进了一大步。相比上一代，Genie 4不仅让画面更加逼真，还能实时生成声音、模拟物理规律，甚至让用户直接走进AI创造的世界，随时改变天气、添加人物，与虚拟角色对话。
更重要的是，谷歌将 Gemini 引入世界模拟，让大语言模型负责规划行动，Genie 4负责实时生成环境。过去只能观看的AI视频，正在变成一个可以自由探索、持续互动的虚拟世界。
从观看走向探索
早在2024年，Google DeepMind就推出了Genie 1，尝试从视频中学习动作与环境变化之间的关系。随后Genie 2将能力扩展到可探索的三维环境，2025年发布的Genie 3则实现了实时生成、实时交互。如今，Genie 4在真实感、物理模拟和交互能力上再次升级，单次模拟时长也从约一分钟延长至两分钟。
根据谷歌公布的演示，用户只需输入一段文字，就能生成可以探索的虚拟世界，通过键盘控制角色移动、调整镜头，甚至在运行过程中继续输入提示词，改变整个场景。例如，在一个漂浮于湖面的小平台上，一名身穿棕色西装的男子正在演奏萨克斯，用户可以自由移动镜头，观察演奏者的动作和湖面变化，甚至临时改变天气、添加人物或物体。Gemini会结合当前环境理解指令，帮助Genie 4维持场景的连贯性。
提前体验Genie 4的沃顿商学院教授伊桑·莫利克，只用一句「一座由机器人和马匹居住的新哥特式粗野主义城市」，便在一分钟内生成了一座虚拟城市，随后又实时加入了巨龙和一只友善的水獭NPC。a16z投资人贾斯汀·摩尔也展示了一段被他戏称为「GTA Waymo」的演示，在完全由AI实时生成的城市环境中自由探索，整个过程都可以直接交互。
Genie 4的特别之处在于，整个过程不需要预先制作三维地图，也没有固定的场景演出，AI会根据用户的操作持续生成接下来发生的事情。在物理模拟方面，谷歌还展示了西瓜受到冲击、枫树种子从空中飘落，以及拥挤的乡村火车站等案例，呈现碰撞、空气动力学、重力作用和复杂人群行为。
世界终于有声音了
Genie 4的另一项重要升级，是首次支持原生音频生成。此前Genie系列主要围绕画面和动作交互展开，如今可以在生成世界的同时，实时生成环境声音、音乐和人物对话。海边会有海浪声，树林里会有风声，骑着巨龙穿越山谷时，还能听见翅膀拍打空气、狂风呼啸以及远处的火山活动。
更值得关注的是，Genie 4开始让虚拟人物拥有实时对话能力。传统游戏中的NPC通常依赖预先设计的对白和行为逻辑，而Genie 4可以根据用户输入和场景中发生的事情，动态生成角色的语言与反应。这意味着未来玩家有机会走进一个AI创造的世界，与里面的人物自由交流，甚至通过自己的行动改变故事发展。不过，Genie 4目前仍存在音频准确性和长期一致性方面的问题，距离真正支撑大型开放世界游戏还有不小的技术距离。
Gemini当导演，AI理解世界如何运转
如果说画面和声音让Genie 4更加接近现实，那么Gemini的加入，则让世界模型开始具备复杂的推理和规划能力。根据Google DeepMind的介绍，Genie 4融合了Gemini家族的多项能力：Gemini Omni为模拟提供现实世界的外观与行为基础，而Gemini 3.8 Flash则充当实时引导智能体，持续观察生成画面，将任务分解为多个步骤，并判断每一步是否成功。
Genie 4负责生成虚拟世界，Gemini则负责规划接下来应该发生什么。 例如，用户要求机器人完成一项复杂任务，Gemini可以将任务分解成多个动作，观察机器人在模拟环境中的表现，并根据执行结果调整下一步计划。即使用户临时改变要求，或者周围环境发生变化，Gemini也可以实时修改行动方案。
谷歌还展示了一项结合Gemini 4 Argon与Genie 4的研究实验，将任务分解为连续步骤，实时模拟Apptronik旗下Apollo人形机器人下跳棋的过程。对于机器人训练来说，这项能力很有价值：现实中的机器人训练需要大量设备、场地和实验，一些危险或成本高昂的场景也很难反复测试。如果世界模型能够准确模拟物理环境，机器人就有机会在虚拟世界中提前练习，再将学到的能力迁移到现实。
Google DeepMind研究主管Tejas Kulkarni表示，未来的重要方向是混合世界模型，将语言模型的结构化推理能力与世界模型的感官模拟能力结合起来。Gemini负责规划和组织复杂事件，Genie则将这些规划转化为实时变化的画面、声音和物理环境。AI开始尝试在自己创造的世界中，预测并验证行动可能带来的结果。
世界模型的野心不止于游戏
目前，Google DeepMind已邀请电影、游戏、新闻、教育和工程等行业的测试者，探索Genie 4的实际应用。
- 电影制作：创作者可以通过文字生成可探索的虚拟场景，直接进入其中调整镜头、灯光、人物动作和对白，快速尝试不同的拍摄方案。
- 游戏开发：开发者可以通过提示词创造游戏环境，直接测试美术风格、材质表现和基础互动玩法，再决定是否投入资源正式开发。
- 新闻与教育：一些摄影记者正在尝试将二维历史照片转化为可探索的动态场景，或者通过模拟展示洪水、野火等事件的发展过程。不过，AI根据历史照片推断出的画面，并不能直接视为对历史事实的准确重建。
- 企业端：世界模型也可能用于工业仿真、机器人研发和复杂环境测试，减少部分真实试验所需的时间与成本。
随着应用前景逐渐清晰，世界模型也成为AI巨头争夺的新方向。除了谷歌，Runway已推出支持实时音频和交互的GWM Worlds 2，而李飞飞创立的World Labs则选择了另一条空间智能路线，更强调三维环境的重建、编辑和长期一致性。今年9月，AMD宣布以约82亿美元收购World Labs，也足以说明世界模型的价值已经从内容生成延伸到了机器人和AI算力基础设施。
120秒的世界，通向AI的未来
尽管Genie 4展示了令人印象深刻的能力，但距离真正完整的数字世界仍有很长一段路。目前，模型能够维持的交互模拟时长约为两分钟。随着模拟时间延长，物体细节可能发生变化，场景也可能出现前后不一致的问题。如果用户连续修改提示词，或者在较大环境中不断探索，模型也可能逐渐失去对早期场景信息的准确把握。此外，复杂物理交互、空间准确性、音频生成，以及画面中文字的可读性，都还有待改进。
目前，Genie 4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，并逐步提供给Gemini API和Google AI Studio的早期合作伙伴。
回看过去几年的生成式AI，从文字到图片，从图片到视频，再到如今可以实时探索、拥有声音和人物行为的虚拟环境，AI生成内容的边界正在不断扩大。而Genie 4真正值得关注的地方，是世界模型开始与大语言模型的推理能力深度结合。过去，AI可以告诉你一个人推开门后可能看到什么，也能生成一段推门的视频。未来，它还需要理解门为什么会打开，门后的人会如何反应，以及接下来的一连串行动会产生什么结果。
对于走向现实世界的AI Agent和机器人来说，能够预测行动后果，并在虚拟环境中反复尝试，可能比生成一段漂亮的视频更加重要。当大语言模型正在让AI学会思考，世界模型则试图让AI理解行动的后果。或许，未来AI理解现实世界的重要方式之一，就是先在自己创造的无数个世界中，反复学习现实究竟如何运转。
