谷歌Genie 4发布：30秒生成游戏世界，支持24帧实时交互

假设 AI 能直接造出一个可以走进去、随手就能改、甚至能和里面的人物对话的世界，而不只是生成一段视频，那会是什么样？

谷歌新出的 Genie 4，正把这个念头往现实里推。

10月27日（当地时间），Google DeepMind 正式发布新一代世界模型 Genie 4，官方称它是「迄今为止最逼真、交互性最强的世界模型」。

上一代 Genie 3 的突破口主要在实时场景生成和交互，新模型在此基础上加了原生音频生成、用自然语言实时操控、复杂物理与人物行为模拟，还靠 Gemini 系列模型完成多步骤事件推演。

官方演示中，导航和镜头由键盘控制，场景则靠文本 prompt 改：换天气、挪镜头、往画面里塞人或物体都行。比如让草地上凭空多出一条粉红色绸缎，或者把镜头送进南极冰原上空的热气球篮筐。场景会实时作出反应，角色也顺着新设定继续演下去。

这些能力由 Gemini 系列模型在背后支撑。画面贴近现实世界的外观与行为，归 Gemini Omni 管；其余 Gemini 模型负责把请求转成动作、规划复杂事件、观察画面并跟踪进度。用户一改指令，Gemini 就当场调整方案。

另一组演示里，Gemini 4 Argon 干脆指挥起 Genie 4，一步一步模拟人形机器人下跳棋的全过程。

看得出来，这已经超出传统 AI 视频生成的范畴，往可交互、可控制、能用于 AI 训练的世界模拟系统靠近了一步。眼下 Genie 4 只向少量受信任的测试者开放研究预览，之后会陆续提供给 Google AI Ultra 订阅用户，以及 Gemini API、Google AI Studio 的早期合作伙伴。

参数上，Genie 4 单次生成的交互体验最长 2 分钟，上一代 Genie 3 的上限是 1 分钟。数字看着不起眼，但对游戏开发者验证单段玩法、影视主创预览单组镜头来说，最基础的测试需求已经够用。

谷歌这次亮出的能力升级共四块：实时改变世界、物理与人物行为模拟、原生声音生成，以及结合 Gemini 做复杂事件推演。

有些演示，已经很接近可交互游戏和真实影像的混合体。

先说第一块：用户不用事先把整个场景设计好，生成过程中随时都能改。

一组演示里，一位穿棕色西装的萨克斯演奏者站在湖中央的漂浮平台上。四周是雾气弥漫的森林、缓缓流动的湖水，还有一个散发暖光的球体。

演奏者一直在吹，手指、呼吸和身体摆动衔接得自然；摄像机可以独立移动，从不同位置打量整个环境。关键不在画面像不像电影，而在于镜头能自由探索场景，人物、物体与周边环境的空间关系还能保持住。

键盘也能用来控制移动与视角，文字指令则实时改天气、加新人或新物体。Gemini 会结合当前环境理解这些要求；用户不再输入时，它还会帮忙把场景往下推。

第二块：物体不再是画面里的摆设，人物和环境开始展现出更复杂的运动规律。

谷歌展示的另外一批案例中，完整的西瓜摆在石台上，枫树种子旋转着落进草地；还有一座挤满乘客的日本乡村火车站，人们在站台上走动、候车，和周围环境一起构成动态场景。

谷歌强调，Genie 4 对空气动力学、碰撞等物理现象的模拟更强了，人物动作方面的进步尤其明显。模型能生成更自然的人体运动，让角色随周围环境作出反应，并接受实时操控。

不过，这里的物理模拟仍是模型依据学到的世界规律生成结果，不等于所有物理过程都经过了精确计算。

第三块：AI 世界头一回有了原生生成的声音。

演示视频里，你骑在龙背上穿山越岭，周围还有其他骑手。按提示词设定的时速 140 公里，你仿佛真坐在巨龙背上掠过群山；左下角的 WASD 提示则说明，你确实在“玩”这个生成的场景。

伴随飞行出现的，除了快速掠过的山峰与城堡，还有巨龙振翅的轰鸣、高空呼啸的气流，以及远处火山活动的声音。这些声音不是演示后期补上去的，而是 Genie 4 直接生成的。

再往前一步，模型还能实时生成人物对话。场景里的角色可以依据用户输入或世界里发生的事件开口回应，而不是只把预先备好的台词重复一遍。

对虚拟角色、互动叙事乃至游戏开发来说，这个变化的分量不轻。开发者以后要做的，未必是那种每句台词、每个反应都写死的角色，而是一个能随情境变化不断产生行为和对话的模拟人物。

开发者Justine Moore（同时也是a16z的合伙人）真实生成的一段视频里，出现了一个更复杂的全实时生成游戏世界。环境加角色，整个场景由一条提示词生成，之后用提示词就能改变事件。

视频中，一名穿潜水服的角色在洞穴里探索，脚下散落着金币，旁边放着一只木桶。屏幕上方写着 Describe changes to your world...，旁边还有几个任务选项，例如 Ai Suggested、Giant Kraken Reach。右侧帧率面板显示当前 24.6 FPS，最低 17，平均 23.8。

按照Justine Moore的说法，她提前拿到了Genie 4的访问权限，创建世界通常用不到 30 秒，实时交互窗口大约 2 分钟。用户可以用键盘鼠标移动，也能用自然语言改变世界，比如改天气、挪镜头、加一个人物。这些指令由Gemini系列模型处理，场景的连贯性由它保证。

另外，Gemini 4 Argon会把任务拆成一系列步骤，再用文字指令引导Genie 4一步步把执行过程呈现出来。模拟推进过程中，系统还能继续调整后面的步骤。说白了，就是让一个擅长推理和规划的模型，去指挥另一个擅长实时生成环境的模型。

从技术上看，谷歌想啃的是世界模型长期存在的两块硬骨头：模拟环境怎么随用户操作实时变化，连续发生的事件又怎么保持逻辑一致。这背后有两个大脑在起作用——Gemini负责思考，Genie负责生成物理世界。

要理解这一变化，先得弄清世界模型和普通视频模型的区别。

- 传统视频生成模型，主要依据文本、图像等条件，生成一段时间范围相对确定的影像。

- 世界模型要接着回答的是：用户向左走，视野会怎么变？有人推倒桌上的物体，接下来会发生什么？角色离开房间又回来，之前的环境还在不在？

这里涉及两个关键概念：动作条件生成（Action-conditioned Generation）和世界状态一致性（World Consistency）。

前者的意思是，下一帧画面不能只看上一帧来预测，还得把用户刚做了什么动作算进去；后者要求模型记住已经生成的环境，尽量不让人物、物体或空间关系随时间无缘无故地变样。

其实谷歌在 2025 年发布 Genie 3 时，就已经做到每秒 24 帧、720p 分辨率的实时交互生成，环境模拟能持续数分钟。Genie 3 走的是逐帧自回归生成的路子，不靠预先建好的完整显式三维场景，而是依据此前的画面和用户操作不断生成后续内容。

问题也随之而来：生成时间越长，模型要参考的历史信息越多，误差也可能越积越大。比如用户一分钟前路过某栋建筑，现在又走回来，模型就得尽量让这栋建筑的外观和位置保持不变。

Genie 4 仍然沿着实时世界生成的方向走，但这次最显眼的变化，是把Gemini系列模型拉进了模拟过程。官方披露的信息显示，整套系统至少涉及三个不同层面的能力。

第一层，视觉、声音和动态环境的实时生成交给Genie 4。它要根据当前世界状态和输入，持续产出新的画面和声音，并表现人物运动、环境变化与交互结果。

第二层，Gemini Omni负责加强模拟世界与现实规律之间的关联。谷歌的说法是，Gemini Omni为模拟提供现实世界的外观和行为基础。

第三层也是这次最重要的突破，由Gemini 3.8 Flash充当实时指导智能体。Genie 4 持续生成环境的同时，Gemini 3.8 Flash会一直观察场景，把复杂目标拆成多个步骤，再检查新生成的画面，判断当前步骤有没有完成。

用户一旦介入，或者世界状态发生变化，Gemini就能重新调整计划。这套机制的关键，在于把大模型的语言推理能力带进了动态环境生成过程。过去，一个世界模型即便能生成逼真的机器人动作，也未必能保证多个动作之间的任务逻辑是对的。现在Gemini可以持续规划、检查和调整，系统维持复杂事件连贯性的机会就更大。

谷歌还在试更进一步的组合。

Apollo人形机器人下棋的演示中，负责任务规划的是Gemini 4 Argon。它把用户目标拆成步骤，再把对应的文字指令交给Genie 4，由后者驱动模拟过程。

谷歌把这条路线叫作未来的“混合世界模型”（Hybrid World Models）。基本思路是：代码与语言模型擅长结构化逻辑推理，像素级生成模型擅长丰富的感官模拟，两边结合起来。

落地层面，Genie 4的价值主要体现在内容创作和具身智能训练场两块。一方面，它可以当低成本的试错游戏引擎——游戏开发者不用提前写物理与渲染代码，30 秒就能测试玩法原型和美术材质；影视导演能实时进入动态场景，快速比选运镜与灯光调度。另一方面，它能充当具身智能合成现实的训练场：现实中训练机器人既贵又容易损伤硬件，传统物理仿真又被繁琐的人工环境搭建卡住了上限。世界模型能自动生成无限长尾工况，这正是机器人低成本试错的核心依托。