Google DeepMind 发布 Genie 4：可实时改写的世界模型，以及一场正在收拢的行业整合
Google DeepMind 于本周二以研究预览（research preview）形式推出最新一代世界模型 Genie 4。据 TechCrunch 报道，Genie 4 生成了迄今最具照片级真实感、也最具交互性的世界：用户可以在模拟进行到一半时直接输入提示词，改变场景内容；模型同时生成与画面匹配的实时音频，包括音乐、环境声以及可互动的对话。
Genie 4 的发布时间，距离 AI 视频公司 Runway 发布第二代世界模型 GWM Worlds 2 只有几个月。GWM Worlds 2 是一款可玩模型，能对用户输入做出动态响应，并集成了音频生成能力。
同一时期，世界模型行业也开始出现整合迹象：李飞飞创办的 World Labs 正被 AMD 收购，亚马逊正在洽谈收购 AI 初创公司 Decart，Rivian 则刚刚收购了 Third Dimension，把仿真能力收进内部，用于自动驾驶测试。
在这条拥挤的赛道上，Genie 4 是 Google 保持领先位置的最新一步。
核心变化：从「看」到「实时改写」
相比一年多前同样以研究预览形式发布的 Genie 3，Genie 4 的升级集中在三点：
- 自由编辑：可在模拟运行中实时修改天气、摄像机角度，或加入新的人物与物体。
- 状态维持更久：一致场景最长可维持两分钟，是上一代的两倍；同时物理表现更好，角色行为也更接近真人。
- Gemini 深度协同：Gemini 充当「导演」，负责规划步骤并检查帧，Genie 负责生成视觉内容。
在一次与 Gemini Robotics 关联的研究实验中，一款 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。这提示了一条可能的路径：先在仿真环境里测试机器人场景，再进入真实世界。
Google 研究总监 Tejas Kulkarni 在简报会上表示：「未来我们会越来越多地看到这类混合型世界模型——Gemini 负责编写代码和文本，Genie 实时摄取这些内容，并在不同抽象层级上模拟现实。」
应用方向：游戏、教学、机器人之外，还有影视原型
与其他世界模型一样，Genie 4 面向的商业场景包括游戏、交互式学习与机器人。交互式学习的一个设想场景是：进入一幅历史场景画作，与画中人物直接对话，讨论画面所描绘的事件。
但「可信测试者」（trusted testers，即最早拿到 Google 前沿产品访问权的一批用户）反馈了一个新用法：做影视原型。
Google DeepMind 工程师 Diego Rivas 在新闻发布会上说：「实时性最有价值的领域，是那些需要维持创作心流（flow）状态的地方——比如构思阶段、分镜阶段，任何需要快速想点子的时刻。」 Rivas 还提到，Google 的 AI 视频生成模型 Veo 已经能依据文本、图片或视频提示生成带同步音频的高清片段，在电影创作者中越来越受欢迎。后续用户还可以借助 Gemini Omni（一种可从图片、音频和文本生成视频的多模态大模型）把这些原型转成创作资产——不过他强调，这些能力距离可用还有一段路。
影响与建议
需要明确的边界也很清楚。Rivas 在整场简报中反复强调 Genie 4 仍处早期阶段，端到端的产品形态尚不确定；团队也承认模型仍有明显短板：模拟运行时间越长，细节和物体越容易漂移；音频准确性以及世界内文字的可读性也尚未解决。
具体可用性上：
- 当前：Genie 4 以研究预览形式向可信测试者开放。
- 未来数周：将逐步推送给 Google AI Ultra 订阅者（通过 Project Genie——一款依据文本或图片提示生成交互世界的 AI 工具），以及 Gemini API 与 Google AI Studio 的早期接入伙伴。
对开发者与内容团队来说，现阶段更务实的定位是「原型工具」而非「生产工具」：先用在分镜、场景预演这类需要快速迭代和即时反馈的环节，同时为长时模拟下的物体漂移和音频失真预留人工复核空间。
评论