谷歌DeepMind发布Genie 4：AI世界开口说话，边玩边改
出品 | 网易智能 作者 | 小小 编辑 | 王凤枝 骑着巨龙掠过山谷，视角随你转动，耳边是振翅声和呼啸而过的风声。谷歌这次展示的AI世界，已经有了几分亲手玩游戏的感觉。 打开网易新闻 查看精彩图片 图：谷歌官方演示节选，GIF不含声音 美国当地时间10月27日，谷歌DeepMind发布新一代世界模型Genie 4的研
出品 | 网易智能
骑着巨龙掠过山谷，视角由你转动，振翅声和呼啸的风声就在耳边。谷歌这次亮出的AI世界，玩起来已经有点像亲手在打游戏。
图：谷歌官方演示节选，GIF不含声音
美国当地时间10月27日，谷歌DeepMind把新一代世界模型Genie 4放了出来，属于研究预览。此前用户已经能走进AI生成的场景里四处逛；这回风声、水声、音乐都能跟着画面一起生成，场景中的人物还会根据用户输入和眼前发生的事张嘴接话。改动也能边玩边做：想让大晴天忽然下雨，或往场景里塞个新角色，敲一句文字，AI就顺着你的意思接着往下生成。谷歌请来的电影创作者正拿它试拍摄预演——同一场戏换个机位、改句台词，先在AI里过一遍，再定怎么拍。
眼下这些玩法只开放给少量受邀测试者。谷歌打算之后通过Project Genie提供给Google AI Ultra订阅用户，具体日期还没说。
图：Google DeepMind发布Genie 4
01骑龙、坐热气球，想去哪里自己控制
开头那段骑龙演示，视角始终卡在骑手的位置：黑龙的头颈近在眼前，旁边有其他龙掠过，前头的山谷慢慢退开，露出一座城堡。画面下方留着键盘按键，往哪飞、怎么转，全由用户自己按。谷歌给这段演示写了很长的场景设定——山地竞速、别的骑手、带投石机的城堡，还有风声、振翅声和远处轰鸣。镜头同样被限死，不能猛地切到第三人称，更不能跳到巨龙外面变成一段跟拍视频。
只有守住这个视角，用户才始终待在骑手的位置上，扭头就能看看旁边的对手。镜头一旦跳到远处，自己就又成了看飞行场面的旁观者。
想安静一点，也可以去湖上听一段萨克斯。
谷歌另一段演示里，一名穿棕色西装的男子站在湖上平台吹奏。四周长着野草和树，旁边悬着一颗发暖光的球体，远处水面雾蒙蒙的。这组提示词要求16毫米胶片质感，光线用柔和的阴天光，别过度锐化，也别上强烈的明暗对比；声音只留湖水、风和萨克斯，不另加背景配乐。用户可以推近镜头凑到乐手跟前，也能把视线甩向远处的湖面。
图：官方演示截图。右上角记录了追加鲸鱼尾巴的指令
听到一半突然想往湖里加点东西，接着输入就行。截图右上角就记了一条追加指令：让鲸鱼尾巴从演奏者身后的水面慢慢冒出来，同时保持原来的胶片风格。画面里乐手还站在原处，背后的湖面上多了一条鲸鱼尾巴。为了这么个临时冒出的念头，用户不用把整幅画面重新描述一遍，顺着眼前的场景接着改就可以。
南极热气球那段演示换成了高空视角。冰川一直铺到远处，热气球散在空中，用户像站在吊篮里一样四下张望。原始设定还写到了篮筐的皮革包边、支撑杆和链条，指望这些近处细节让人真觉得自己待在吊篮里。
图：官方演示节选，保留了移动和视角控制按键；GIF不含声音
几组演示的输入方式差不多：按键决定往哪走、朝哪看，文字补上希望发生的事。用户每换一次方向或提一次要求，模型都得接着往下生成画面，而不是拿一段固定视频换个播放进度。
02场景有了声音，里面的人也能接话
这次最容易听出差别的一处升级，是原生音频。按谷歌的说法，Genie 4在生成世界的同时也能生成环境音、背景音乐和角色对白：湖面上有水声和乐器声，飞行时有风声，人物还能按用户的要求或场景里的事件作出回应。
这些对白不是提前配好、循环播放的固定台词。用户中途改了情节，人物也会顺着新情况接话。人可以一边探索一边编故事，试着把场景里的人拉进来。
不过“边玩边改”并不是Genie 4头一回提。2025年8月发布的Genie 3，已经演示过用文字改天气、加物体或人物；今年1月推出的Project Genie原型还没有这项功能，谷歌当时展示过，普通用户却一直没能用上。Genie 4往前走的一步，是给这些临时变化配上声音和人物反应。
沃顿商学院教授伊桑·莫利克（Ethan Mollick）试出了一座很不寻常的城市。他让模型生成一座由机器人和马居住的新哥特式粗野主义城市，说大约一分钟就建了出来。接着他又往里加龙，再加一只友好的水獭NPC，全程都是实时进行的。
图：莫利克分享的个人体验
他还试了个更离谱的玩法：把办公室改造成《毁灭战士》（DOOM）风格，电脑屏幕上放着《DOOM》，墙上也在放，接着又喊来一位“恶魔同事”给自己发奖金。要求一条接一条提，眼前的办公室就跟着一路变。
用户不用事先把整套剧本写死。先造一个地方，走进去逛一圈，再决定下一步让谁上场、发生什么，想法完全可以边逛边补。
谷歌还拿出了一个彩色玻璃构成的世界：山脉像一层层叠起来的玻璃板，河流是半透明的蓝，花朵也带着玻璃雕塑那种棱角。提示词要求镜头穿行其间时，所有物体都得保持玻璃或晶体材质，不能忽然掺进普通石头和真实植物。
图：官方演示节选；GIF不含声音
镜头一动，维持画风就比生成单张图片难得多。新景物会不断进入视野，用户还可能临时塞进一个角色。模型得接着往下生成，又不能让它走着走着从玻璃世界变回普通山水。
莫利克也没把体验夸成十全十美。能不停往里加东西，探索确实有意思；可加进去的东西能不能一直待在那儿、行为合不合理，还得接着观察。
03玩不玩得下去，要看它会不会把刚才的场景忘掉
谷歌CEO桑达尔·皮查伊（Sundar Pichai）在发布帖里称Genie 4是谷歌至今最逼真、互动性最强的世界模型，并提到原生音频、能开口说话的人物，以及靠Gemini推理来组织多步骤事件的能力。
图：皮查伊介绍Genie 4
对外公布的限制，公司也列了不少。
据TechCrunch报道，眼下单次模拟大约两分钟，但这不等于里面所有物体和细节都能稳稳撑满两分钟。
谷歌在技术介绍里也承认，用户一路探索、反复修改场景，画面细节和物体的持续存在都可能跑偏。复杂的物理交互、声音准不准、画面里的文字、空间位置，还有更长时间下的一致性，都仍是研究中的难题。
真上手玩，有个简单的检查办法：转回头看看刚才路过的建筑还在不在，搁在桌上的东西有没有消失。玩家想继续往下走，模型就得记住前面生成过什么。
社交媒体上的讨论也开始抠细节。账号@cfenghub整理的评论里，有人对摩托车演示中的车把动作提出疑问：画面看着像在骑车，可转向符不符合真实摩托车高速行驶时的操作，未必经得起细看。
光凭网友对这一段演示的质疑，还判断不了整个模型的物理能力。但车辆怎么转弯、物体怎么碰撞、声音什么时候响起，确实都得一项项看，画面逼真替代不了这些检验。
今年1月开放的Project Genie原型，单次生成上限是60秒。可Genie 3模型在2025年发布时，就已经展示过持续数分钟的交互。产品开放时设的时长，和模型能让场景稳定保持多久，本来就不是同一个指标。
对暂时还上不了手的普通用户来说，更值得看的是：测试的人能不能连着做完自己想做的事，中途改几次要求之后，原来的场景还能剩下多少。单次体验时间变长，只有跟这些表现摆在一起，才容易看出进步究竟有多大。
04 Gemini安排下一步，Genie生成接下来的世界
为了让场景跟着用户的要求变，谷歌把Gemini也拉了进来。
实时交互演示里，Gemini会盯着当前画面，弄明白用户想干什么，安排好后续步骤，再回头检查场景有没有按计划推进。用户一改要求，或者画面冒出新情况，它也得跟着调整。
湖上萨克斯那段演示就是个直观例子。用户要求加一条鲸鱼尾巴，右上角的推理说明不光记下了新增物体，还写到了水花和原有的胶片质感。后面生成时这些条件得一起顾上，不能把鲸鱼往画面里一塞就算完。
按谷歌的说法，Gemini 3.8 Flash管计划、检查和调整，Genie 4负责生成可探索的环境。谷歌把这种分工叫作“混合世界模型”。
其中涉及人物外貌和行为的研究，还结合了Gemini Omni的能力。用户看到的是一段连续体验，背后干活的不止一个模型。
谷歌另外做了个机器人模拟实验，用Gemini 4 Argon、Genie 4和Gemini Robotics，让Apptronik的Apollo人形机器人在虚拟场景里下跳棋。
图：左侧为Gemini 4 Argon的步骤说明，右侧为Genie 4生成的机器人模拟画面
图里的步骤写得很细：机器人面对的是怎样的棋盘，哪只手伸向哪枚棋子，另一只手搁在哪儿，都有对应描述。Genie 4再把这些动作发生时的场景生成出来，让研究人员观察计划在模拟中怎么展开。
需要说明的是，画面里呈现的只是机器人动作的模拟过程，并不代表实体Apollo已经借Genie 4练成了棋艺。Argon参与的那项研究，跟前面Flash引导的实时体验也不是同一套配置，两件事不能混在一起看。
机器人领域账号@TheHumanoidHub看中的，恰恰是这种环境能随时变。现实当中，搭一处场地、备齐物体、让机器人一遍遍试动作，时间和成本都省不下来。换成在虚拟环境里先跑各种安排，研究人员就有机会更快找到问题、把方案筛一遍。
不过机器人终究得在现实里伸手去拿。模拟里棋子受多大力、手指碰桌面会出什么状况，都直接决定这些尝试有没有意义。前面说的物理交互和空间精度，到这里就不只是看着像不像的问题了，它关系到模拟结果能不能拿来当后续工作的依据。
05完整游戏还早，拍电影可以先拿它试镜头
拍片预演对模拟的要求，跟让机器人在现实中做动作不太一样。电影创作者最先想知道的是，一场戏怎么拍更合适。
据谷歌介绍，受邀测试的电影创作者正试着用Genie 4做拍摄预演。同一场戏可以换机位、调光线，改人物动作和对白，把不同版本摆在一起比，不必每次都从头把整个场景生成一遍。
这种预演用不着马上出成片。创作者先拿它试镜头，再把挑中的方案带回正式制作。前期讨论时想换个角度、改一句台词，都能先在生成的场景里看看效果。
游戏开发者试的则是场景和玩法原型：先摸索不同的视觉风格、材质和互动方式，再判断哪些值得放进游戏引擎继续做。前面那个玻璃世界，正好帮人理解这种用法。一个设定在静态概念图里好看，进去走一走动一动还成不成立，能更早看出来。
也有摄影记者在尝试把档案照片扩展成可以走进去的场景。模型补出来的是照片画框之外的空间，这些没被拍下的细节不能当成历史事实。这类用途尤其要把原始记录和AI生成的内容分清楚。
世界模型对游戏行业的影响，市场早就盯上了。今年1月，谷歌推出由Genie 3驱动的Project Genie原型之后，Unity、Roblox和Take-Two等游戏相关公司的股价曾经下跌。那是上一轮发布引出的市场反应，不是这次Genie 4发布后的新行情。
完整游戏需要稳定规则、存档、长时间运行和多人协作，眼下这些短时模拟还顶不上。投资者真正担心的，是生成式工具会不会改变内容供给、开发流程和制作成本。谷歌正在跟合作伙伴研究怎么把它接进已有工作流程，全面替代现有制作工具的方案还没拿出来。
想自己上手试，目前还得等。谷歌先向少量受邀测试者开放研究预览，之后计划放进Google AI Ultra用户使用的Project Genie，并向Gemini API和Google AI Studio的早期合作伙伴提供。普通用户哪天能用到，官方还没公布。
