Genie4发布：谷歌世界模型首次“开口说话”，但两分钟仍是天花板-AITOP100,AI资讯

2026年10月27日，Google DeepMind 正式发布新一代世界模型 Genie 4 的研究预览版。距离 Genie 3 发布已过去 14 个月。谷歌 CEO 桑达尔·皮查伊在社交媒体上称其为“谷歌迄今为止最逼真、最具互动性的世界模型”。

与 Genie 3 相比，Genie 4 的升级集中在四个维度：原生音频生成、实时自然语言场景操控、更真实的物理与人物模拟，以及与 Gemini 的深度协同。但谷歌同时坦承，这仍是一个早期实验性模型——场景一致性最长维持约 2 分钟，长时间运行后细节漂移、音频准确性与画面内文字可读性等问题尚未解决。

一、从“看视频”到“操控世界”：四个核心升级

原生音频：世界模型第一次有了声音

Genie 4 是 DeepMind 首个在实时世界模拟中原生生成音频的模型。声音与画面在同一过程中同步产生，包括环境音（风声、海浪、树林）、背景音乐，以及最关键的——交互式对话。角色可以根据用户输入或场景中发生的事件，实时生成语言并作出反应。

这一能力的意义不在于“加个音轨”，而在于世界模型开始同时模拟视觉与听觉两个感知通道。此前 Genie 系列只能生成无声世界，沉浸感始终缺了一角。

实时操控：用自然语言“喊停改戏”

用户可以在模拟运行过程中直接输入文本指令，改变天气、移动镜头、添加新的人物或物体。Gemini 会结合当前场景上下文理解这些指令，并在用户没有继续输入时协助维持场景的连贯发展。

操作方式上，用户使用标准键盘控制导航与镜头（WASD 移动、方向键控制视角），与常见游戏的操作逻辑一致。官方演示中，用户骑在巨龙背上穿越山谷，飞行速度设定为每小时 140 公里，画面左下角显示 WASD 提示。

物理与人物：碰撞、空气动力学与更自然的角色

Genie 4 在物理模拟上有所提升，涵盖空气动力学、碰撞等场景。官方演示包括西瓜受到冲击、枫树种子旋转飘落、拥挤的日本乡村火车站等案例。人物动作更加自然，角色能根据环境变化作出反应，并接受实时操控。

需要明确的是，这里的物理是模型学习到的世界规律所生成的结果，并非经过精确物理引擎计算。

Gemini 当“导演”：多步骤事件的规划与校验

这是 Genie 4 架构上最值得关注的变化。Gemini 3.8 Flash 作为“引导智能体”嵌入生成循环：Genie 4 实时生成世界的同时，Gemini 持续观察画面、将目标拆解为步骤序列、逐帧核查每一步是否完成；当场景变化或用户介入时，Gemini 即时调整计划。

在 Gemini Robotics 的相关实验中，Gemini 4 Argon 将任务分解为步骤，Genie 4 实时渲染模拟，探索“先在虚拟环境中测试机器人行为，再迁移到现实”的路径。谷歌研究总监 Tejas Kulkarni 将这一方向描述为“混合世界模型”——Gemini 负责代码、文本与规划，Genie 实时接收并在不同抽象层级上模拟现实。

二、两分钟：进步与天花板

Genie 4 的场景一致性维持时长从 Genie 3 的约 1 分钟提升至约 2 分钟，翻了一倍。对于快速原型验证、单组镜头预览或短时交互测试而言，这一时长已能覆盖基础需求。

但谷歌团队在简报中反复强调，两分钟的上限本身并不等于全程稳定。DeepMind 研究工程师 Hang Qi 明确表示，即便模型运行至两分钟上限，也不意味着场景在整个过程中完全一致。复杂物理交互、清晰可读的文字、长时间一致性，仍有待完善。谷歌工程师 Diego Rivas 的表述更为直白：“两分钟能做到的事情终究有限。我们仍处于研究探索阶段，还没有真正进入最终产品开发阶段。”

TechCrunch 的报道也确认，随着模拟时长增加，细节和物体更容易出现漂移；音频准确性和虚拟世界内文字的可读性问题仍未解决。

三、应用方向：影视原型与机器人训练

谷歌将 Genie 4 的主要应用方向定位为游戏、交互式学习与机器人技术。但首批受信任测试者——包括电影制作人、游戏开发者、记者与教育工作者——指出了另一个值得关注的方向：影视原型制作。

DeepMind 工程师 Diego Rivas 在简报中表示，实时能力最大的价值在于“让创作者保持流畅的创作状态”，尤其在创意构思和故事板阶段。与 Veo 这类视频生成模型不同，Genie 4 的实时交互性允许创作者“走进”场景、即时调整镜头、灯光与动作，跑多次“实时 take”。

在机器人领域，Gemini 4 Argon 与 Genie 4 的协同实验展示了一种可能：在物理机器人执行任务前，于虚拟环境中测试和迭代策略。但这一能力目前仍处于研究阶段，尚未证明可规模化迁移到真实机器人场景。

四、与视频模型的本质区别

Genie 4 与 Seedance、可灵等 AI 视频产品的区别，不在于画质或时长，而在于交互性。视频生成模型输出的是一段固定时间线的内容，生成完成后无法改变；世界模型则需要在用户操作下持续、实时地生成后续画面，并保持空间与物体的一致性。

这一区别在演示中体现得相当直观：用户可以推开一扇门、转身离开、再走回来，门应该还在原处——除非场景中有其他因素改变了它。这种“物体持久性”和“空间记忆”是视频模型不需要处理、但世界模型必须解决的问题。

五、获取方式与竞争格局

Genie 4 目前以研究预览形式向受信任测试者开放。未来几周内，将通过 Project Genie 向 Google AI Ultra 订阅用户（月费 100 美元起）开放，同时向 Gemini API 和 Google AI Studio 的早期访问合作伙伴提供。定价尚未公布。所有 Genie 4 生成的音视频均附带 SynthID 隐形水印。

世界模型赛道的竞争与整合正在同步升温。Runway 于数月前发布了可交互的世界模型 GWM Worlds 2；李飞飞创立的 World Labs 据报被 AMD 收购；亚马逊正洽谈收购 Decart；Rivian 收购了 Third Dimension 以将模拟能力引入自动驾驶测试。谷歌将世界模型置于通往 AGI 的关键路径上，官方博客写道：“理解和模拟世界是构建 AGI 的关键一步。”

Genie 4 的发布，标志着世界模型从“能生成可交互画面”推进到了“能生成带声音、可实时改写、有 Gemini 在幕后规划”的下一阶段。原生音频与混合世界模型架构是这一代最具实质意义的突破。

但两分钟的一致性天花板、长时间运行后的细节漂移、尚未解决的音频准确性与文字可读性，以及“研究预览”而非“产品”的定位，都在提醒我们：这仍是一个实验性里程碑，而非可规模化交付的工具。谷歌团队自己的表述最为诚实——他们还在弄清楚端到端产品体验应该是什么样子。

世界模型距离真正改变游戏与影视的生产流程，还有一段需要跨越的距离。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探索、试错和创造的世界”。

• 更多信息请参阅 Google DeepMind 官方博客：deepmind.google/blog/genie-4-a-new-generation-of-world-simulation
• Project Genie 等待列表：labs.google/projectgenie

AITOP100-AI资讯频道将持续关注AI行业新闻资讯消息，带来最新AI内容讯息。

想了解AITOP100平台其它版块的内容，请点击下方超链接查看

AI创作大赛 | AI活动 | AI工具集 | AI资讯专区 | AI小说

AITOP100平台官方交流社群二维码：