科技巨头谷歌推出新一代世界模型，带来音频、更高的逼真度和实时操控。

当地时间10月27日，谷歌DeepMind正式发布了新一代通用世界模型Genie 4，称其为公司“迄今为止最逼真、最具互动性的AI世界模型”。该模型不仅允许用户在模拟过程中通过输入提示词来改变场景，还能生成与模拟世界相匹配的实时音频，包括音乐、环境音以及互动对话。

和谷歌在2025年以研究预览版形式发布的前代世界模型产品Genie 3相比，Genie 4能够维持长达2分钟的一致场景，时长达到了前代产品的2倍，并且具备更好的物理表现和更逼真的人物角色。

▲Genie 3和Genie 4生成效果对比。来源：DeepMind(00:29)

Genie 4还引入了一套突破性的综合能力，包括带给用户更高自由度的“实时塑造世界”、原生音频生成与互动对话，以及依托谷歌Gemini生态系统的先进推理。

▲Genie 4支持自由形式的编辑，例如实时更改天气、调整镜头角度，或者添加新的人物和物体。来源：DeepMind

据介绍，谷歌的AI模型Gemini与Genie 4进行了更紧密的整合。在Genie 4负责创建视觉效果时，Gemini能够充当规划步骤和检查画面的“导演”。

在与GeminiRobotics相关的一项研究实验中，Gemini 4 Argon模型将任务拆解为各个步骤，由Genie 4进行实时模拟。该实验展示了一种在现实世界发生之前，通过模拟来测试机器人场景的可行途径。

谷歌研究总监TejasKulkarni表示：“未来，我们将越来越多地看到这种混合世界模型：Gemini负责编写代码和文本，而Genie则实时接收这些内容，并在不同的抽象层面上模拟现实。”

▲来源：DeepMind

除了游戏、互动学习和机器人技术等世界模型的常见潜在商业应用场景以外，Genie 4的测试人员还指出了一个可能的新用途：影视原型制作（Prototypingfilms）。

谷歌DeepMind工程师DiegoRivas解释道：“用户当需要在创意空间中保持心流（flow）状态时，实时性变得极其宝贵。例如在构思阶段、分镜头脚本阶段——任何你需要快速灵感碰撞的时刻。”

▲来源：DeepMind(00:29)

不过，研究团队强调，Genie 4仍处于早期阶段，且依然存在一些缺陷：随着模拟时间的延长，细节和物体可能会发生“漂移”。同时，如何确保音频准确无误以及生成文字清晰可读的问题仍未得到完全解决。

目前，Genie 4已作为研究预览版向受信任测试人员开放。在接下来的几周内，该模型将向GoogleAIUltra订阅用户以及GeminiAPI和GoogleAIStudio的早期访问合作伙伴推出。

科技网站TechCrunch指出，通过推出Genie 4，谷歌希望在世界模型这个竞争激烈的领域中保持领先地位。该行业正在走向整合：AMD已宣布以约82亿美元收购李飞飞联合创办的世界模型AI公司WorldLabs，亚马逊正在洽谈收购Decart，而电动车初创公司Rivian刚刚收购了ThirdDimension，以将用于自动驾驶测试的模拟能力收为自研。