谷歌发布Genie 4世界模型：原生声音、2分钟记忆，内测已开

谷歌版「黑客帝国」成真了。就在刚刚，Google DeepMind 在深夜发布新一代通用世界模型 Genie 4，称这是谷歌迄今最逼真、最具互动性的 AI 世界模型。

一句提示词，就能造出一座能张嘴接戏、实时改命的「活体宇宙」。谷歌 CEO 劈柴第一时间放话：从「生成一段视频」到「实时运行一个世界」，言出法随的「绿洲」时代来了。

划重点，Genie 4 把世界模型带进了「有声、有人、有大脑」的新阶段。

Genie 系列这次头一回原生生成声音与即兴对话：环境音和配乐同步产出，角色还能照着突发状况张嘴即兴交谈。

连贯长记忆做到 2 分钟，交互 24 帧丝滑。单次连贯世界维持时间翻倍至约 2 分钟，实机画面稳定在约 24 帧/秒。

逼真人类与刚体物理被重塑。Gemini Omni 负责锚定现实常识，人物微表情、镜面反射和物理碰撞都全面跃升。

三大 Gemini 联手，组成「混合世界模型」：Gemini 3.8 Flash 在后台盯着画面当「导演」，Gemini 4 Argon 则拆解 22 步精细动作，指挥机器人下跳棋。

你往前走一步，世界就实时长出一寸；你改一句话，物理法则和 NPC 台词当场跟着重写。

视频模型还在比几秒钟的镜头美感时，谷歌已经为未来的通用 Agent 与机器人造出了可以无限试错的平行宇宙。

目前谷歌已开始内测 Genie 4，Google AI Ultra 用户可以去申请 waiting list。

只要一句话，为你当场「生成一个宇宙」

为展示 Genie 4 的统治力，谷歌放出一系列极具震撼力的 Demo，风格跨越之大、细节之变态，让人叹为观止。而且在 Genie 4 面前，你不再是观众，你是「第一人称游戏玩家」，是这个世界的「上帝」。

下面这段王家卫风满满的香港大桥飙车戏，你敢信根本不是原片？后座的女孩刚喊出台词，玩家敲进两行字：「背景发生爆炸」「毁灭世界的巨型外星触手」。

紧接着，远处的维港天际线立马火光冲天，外星触手直接从天砸落。

连路灯的橘色拖影、女主的皮肤质感和细微的担忧表情，都在长镜头中被完美渲染。

去年的 Genie 3 虽然开创了实时交互视频的先河，却有一个致命短板——没有声音，生成真人时也漏洞百出。谷歌直接放出了一段 Genie 3 与 Genie 4 的同屏对比。

左边 Genie 3 仍是五官糊在一起、四肢发僵、没有声音的纸片人；到了 Genie 4，靠着 Gemini Omni 对现实常识的锚定，化妆镜前的暖光、演员细微的表情，连镜面上的实时倒影都能拍出来，细得像实拍的长镜头。

拿到抢先测试资格的沃顿商学院教授 Ethan Mollick，晒出第一手实测录屏。

他只给了一句提示词「由马和机器人共同居住的新哥特式粗野主义城市」，不到1分钟，这座城就立了起来。

单帧延迟稳稳落在23.4至25.3 FPS之间。随手按下「巨龙掠空」，几秒之内一头巨龙扇着双翼呼啸而过。

觉得不过瘾，他又敲入「一只友好的水獭NPC走过来问问题」。街角真就跑出一只穿马甲的水獭，一口伦敦腔：「打扰一下，旅行者。」

紧接着他放出一段更神的实测：在Genie 4里跑《毁灭战士（DOOM）》。

设定是「走进一间每台电脑和墙壁都在跑DOOM的办公室」，随后他连下三道指令：「恶魔同事出现」「手里拎着加特林机枪」「给我发了一笔奖金」。

话刚落地，一位恶魔同事真走了出来，双手转着重型加特林，奖金当场就发了下来。

a16z 合伙人Justine Moore也贴出水下潜行实测，称这是巨大的飞跃。

在海底洞穴里点下「受诅咒的紫钻发光」和「电鳗群袭来」，洞穴深处立刻紫光爆闪，巨大的电鳗群涌了出来。

再点「幽灵海盗现身」，海盗船长的亡灵立马冒了出来，逼真得吓人。

前谷歌AR/3D产品经理Bilawal Sidhu则把Genie 4当成了科幻片的实时虚拟片场。

他召来UFO，打出一句「它把我吸了进去」——UFO瞬间轰开牵引光束，摆出要把人吸走的架势。

四大关键功能

按谷歌官博的说法，Genie 4这次提升了四大关键功能。

实时塑造世界模拟

模拟场景可以用自然语言实时改动，比如变天气、移镜头，或者加进新的人物、物体，Gemini会依据周围场景来调整指令。输入指令的空隙里，Gemini还会盯着场景、引导走向，让整个世界顺畅地发展下去。

照这么看，盗梦空间算是成真了？一个男人在岛上吹萨克斯，敲下「鲸尾出现」，他身后的水里当即冒出鲸鱼。

接着我们让这个世界下雪，鹅毛大雪马上飘了下来。

换成第一人称视角，实时改写世界带来的冲击感还会更强。

画面里我们以140公里的时速骑着巨龙俯冲，掠过古堡；这时下令「城堡发射火球」，塔楼当场喷出烈焰，火球擦身而过，刺激感直接拉满。

另一个场景里，Genie 4先依用户提示生成南极冰封大地，再生成第一人称视角的乘热气球画面。

拓展物理学和人类行为的现实边界

Genie 4这回给交互模拟立了一套新的真实感标准。

Genie 4 对真实世界物理场景的模拟相当逼真，空气动力学、碰撞这类效果都拿捏得住，底子在于它对世界物理有很强的理解。

它这回最显眼的进步落在人物上：能造出自然走动、会对环境作出反应、还能实时交互操控的角色。

给一句 prompt，80年代的日本乡村车站里，乘务员就会喊出车提示。

再补一个提示，一位提着行李箱的老妇人立刻现身。

接下来的画面，让人直呼 Genie 4 的物理交互太真了。

户外庭院的台子上，大理石半身像被推向西瓜。

一声闷响，瓜瓤和汁水四散飞溅。从重力冲击到碎片轨迹，Genie 4 在实时交互里都还原得恰如其分。

柔体力学和空气动力学，它照样不在话下。

草甸上铺着粉色丝绸，风一起，丝绸立刻翻涌出层层丝滑的波浪，观感很真实。

镜头转向地面，一只枫树种子落下的特写，同样逼真。

画面推到毫厘之间的微距视角，枫树翅果像直升机螺旋桨那样自旋着滑落，最后轻轻停在草叶间。

告别「无声蜡像馆」，Genie 4能模拟声音了！

这是谷歌第一款原生生成音频的实时世界模型。

每个世界都带着自己环境的声音，树叶沙沙作响、海浪拍打沙滩，各有各的动静。

不过真正的难关还是人类语言。Genie 4 加进了实时互动对话功能，角色会根据你的输入或发生的事件开口对话、当场反应。

在这个半透明的3D彩绘玻璃世界里，用提示词召唤出一只鹿，最抓人的是它的脚步声自动变成了清脆的琉璃碰撞声。

硬核架构拆解：三大Gemini轮番上阵，搭起「混合世界模型」回路

只把 Genie 4 看成一个画质更好、还能出声的「大号视频生成器」，就小看 Google DeepMind 的野心了。

以前的实时世界模型玩几十秒就容易崩，问题出在纯像素预测没有长程逻辑规划，常常做完第一步就把后面的目标忘光了。

为了治这个老毛病，谷歌这次拿出了足够颠覆的「混合世界模型」架构，让三款 Gemini 模型和 Genie 4 组队配合。

世界模拟由此多出一个推理层面，Genis 4 能模拟复杂的多步骤事件，也能在把 AI 引入现实世界之前，测试它们在不同环境里如何运行。

第一重配合，是让 Gemini 3.8 Flash 在循环回路里当实时控场的「总导演」。

Genie 4 在前面逐帧生成画面时，Gemini 3.8 Flash 在后台盯着画面拆解多步推理序列，一边核对当前步骤有没有完成，一边发出下一步指令。

用户一旦干预，Gemini 会马上调整，生成的世界具备可靠因果、程序员行为和多步骤推理。

看下面这场近景魔术。玩家关上箱门、挥动魔术棒，右上角的Gemini 3.8 Flash便确认这一步完成，再指挥Genie 4把孔雀变成橘猫，接着又变成一台复古收音机。哪怕演到半途突然改戏，这位「总导演」也能立刻重排剧本。

冰天雪地里让一颗流星划过，再让灰冠鹤走到电子琴前啄出旋律，末了再让它一飞冲天——这样的场面同样能接得住。

Gemini 3.8 Flash管的是「世界如何按逻辑演进」；Gemini 4 Argon和Gemini Robotics加进来之后，具身智能与机器人训练的那层天花板也被捅破了。人类只说一句「跟对面的男孩下跳棋，走一步红棋」，左侧的Gemini 4 Argon立刻把任务拆成22步毫米级动作剧本。

这些高密度指令实时注入Genie 4的生成流，右侧的Apollo机器人便捏棋、走子、对弈，一整套动作行云流水。Genie 4还能进实验室做精密科研。

工业级的UR5六轴机械臂，在Genie 4里也能精准夹住移液管，插进微孔板滴注液体。中途把目标挪走，模型会实时重算策略，按新位置完成抓取。

通往ASI的必经之路，是先造出一个世界

什么才算真正的「世界模型」？你推开一扇门，转身离开30秒，再走回来，那扇门还开着。

能记住物理规律，能维持空间记忆——视频模型与世界模型的分水岭就在这里。

现在Google Genie 4做到了。「海量无标签视频预训练+少量动作轨迹微调」，再叠加Gemini的符号逻辑与长程记忆，单次连贯世界的维持时间被推到约2分钟。

构建交互环境，从此不用再折腾繁琐的手工3D建模。

Genie 4已向Google AI Ultra用户开放，还将作为史上首款进入Gemini API与Google AI Studio的世界模型，向开发者敞开大门。

谷歌的野心不难读出：真正的AGI，绝不可能只活在对话框里。当AI学会在自己创造的平行宇宙里穷尽万千种物理可能，它真正推开现实世界大门的那一天，也就不再遥远了。

参考资料：

https://deepmind.google/blog/genie-4-a-new-generation-of-world-simulation/