谷歌DeepMind发布Genie 4：音视频同步生成，最长两分钟可交互画面

当地时间10月27日，谷歌DeepMind推出世界模型Genie 4研究预览版。据TechWeb 10月29日消息，这一模型能够生成拟真度很高的可交互虚拟世界，首次做到音视频同步生成，并支持自由编辑，连贯画面最长可维持两分钟。

谷歌DeepMind官方账号给出的说法是：“Genie 4是我们迄今为止最逼真、最具交互性的世界模型。”

一句提示，造出一个能交互的虚拟世界

Genie 4跟只生成视频的AI工具不一样，它产出的是一个可以实时探索的交互式虚拟环境。用户用文字提示建好场景后，能拿键盘操控角色走动、调整镜头，模拟运行中还能接着输入指令，随时改天气、换摄像机角度，或者往场景里加新人物、新物体。

谷歌研究总监特贾斯·库尔卡尼提到，接下来的方向是“混合式世界模型”：规划代码与文本的活儿交给Gemini，Genie则实时接指令，在不同抽象层级上模拟现实。

技术层面的升级落在四个维度上。原生音频生成是Genie系列头一回具备的能力：模型生成每一帧画面的同时，会同步生成对得上的环境音、背景音乐和交互式对话，角色能就场景里正在发生的事实时交谈。

物理和人物模拟这块，Genie 4在空气动力学、碰撞、环境阻力等复杂交互上的准确度有明显提升，数字人物的动作与面部表情也更自然。

实时场景导演功能让用户可以用自然语言在模拟中途“喊停改戏”。Gemini 3.8 Flash在循环中充当活跃代理，负责追踪画面帧、拆解目标、验证动作成没成功，场景一变就即时调整计划。

另外，Genie 4能对多步骤的复杂事件做连贯模拟。开发者因此可以在虚拟环境里观察AI代理怎么应对复杂场景，再把策略搬到现实中去。

落地方向：机器人训练与影视原型

谷歌把机器人训练、游戏开发、交互式学习和影视制作明确列为Genie 4的主要应用方向。

机器人方面，一项与Gemini Robotics关联的实验显示，Gemini 4 Argon模型先把任务拆成多个步骤，再交给Genie 4实时模拟。这为在物理机器人动手执行任务之前，先到虚拟环境里测试场景提供了一条可行路径。

影视制作是早期测试者关注的新方向。谷歌DeepMind工程师迭戈·里瓦斯认为，实时生成能力在创意构思和故事板阶段最能体现价值，因为它“让创作者保持流畅的创作状态”。

沃顿商学院教授伊桑·莫利克体验时只给了一句提示，一分钟内就生成了一座“由机器人和马匹居住的新哥特式粗野主义城市”，随后又实时加入了巨龙和NPC角色。

不过，谷歌在发布中反复强调，Genie 4还处在研究预览阶段，没有面向公众开放。目前只向“受信任测试者”开放，未来几周计划通过Project Genie提供给Google AI Ultra订阅用户，以及Gemini API和AI Studio的早期访问合作伙伴。

团队也承认模型有明显局限：模拟时间一长，场景细节和物体稳定性就容易漂移，音频准确性、虚拟世界内文字的可读性也都还没完全解决。

还有一点，Genie 4生成的所有视频与音频都会带上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发布的时间点，正赶上世界模型领域竞争与整合一起升温。

几个月前，AI视频初创公司Runway刚推出第二款世界模型GWM Worlds 2，同样主打可交互响应和音频生成。

行业整合也在提速。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，把模拟能力引入自动驾驶测试内部。

放到更大的层面看，谷歌把世界模型摆在了通往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能不能从研究预览走到可规模化的产品，要看它在真实工作流里的稳定性表现，以及开发者的采用速度。方向倒是已经清楚：AI正从生成内容，转向生成一个可供人类与机器共同训练、试错和创造的世界。