谷歌发布Genie 4世界模型：一句话生成可实时交互的“活体宇宙”

谷歌描绘的“黑客帝国”式场景，这次真的落地了。

Google DeepMind在深夜抛出重磅产品：新一代通用世界模型Genie 4正式登场。

按谷歌的说法，这是其迄今最逼真、互动性最强的AI世界模型。

只给一句提示词，就能生成一个能开口接台词、还能实时改写走向的“活体宇宙”。

谷歌CEO劈柴第一时间表态：从“生成一段视频”跨到“实时运行一个世界”，言出法随的“绿洲”时代已经到来。

Genie 4把世界模型推进到“有声、有人、有大脑”的新阶段，几个要点值得划出来：

声音与即兴对话在Genie系列中首次原生生成。环境音和配乐同步产出，角色还能针对突发状况张口即兴交谈。

连贯长记忆达到2分钟，交互帧率24帧。单次连贯世界维持时间翻倍到约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新塑造。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有明显提升。

三个Gemini模型联手搭起“混合世界模型”。Gemini 3.8 Flash在后台盯着画面充当“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。

视频模型还在比拼几秒钟镜头的美感时，谷歌已经把目光投向未来通用Agent与机器人——为它们造出一个可以无限试错的平行宇宙。

目前Genie 4已进入内测，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，谷歌放出了一系列极具震撼力的Demo，风格跨度之大、细节之细，让人叹为观止。

在Genie 4面前，你不再是观众，而是“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，但有一个致命短板——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。

Genie 3 那边，人物五官糊在一起、四肢发僵，嘴里也没声音；Genie 4 这边靠 Gemini Omni 用现实常识做锚，化妆镜前的暖光、演员脸上的细微表情都能拍出来，镜面里的实时倒影同样有了，细到像实拍的长镜头。

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。

他输入的提示只有一句「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，这座城市就成型了。

单帧延迟稳定在23.4至25.3 FPS。他随手按下「巨龙掠空」按钮，几秒之内，一头巨龙扇动双翼呼啸着掠过画面。

觉得不过瘾，他又敲入「一只友好的水獭NPC走过来问问题」。街角随即真的跑出一只穿马甲的水獭，用伦敦腔开口：「打扰一下，旅行者。」

随后他晒出的另一段实测更为夸张：在Genie 4里直接跑《毁灭战士（DOOM）》。

他先设定场景为「走进一间每台电脑和墙壁都在跑DOOM的办公室」，再连发三道指令：「恶魔同事出现」「手里拎着加特林机枪」「给我发了一笔奖金」。

指令刚落，一位恶魔同事真的走了出来，双手转着重型加特林，当场把奖金发了出来。

a16z 合伙人Justine Moore也放出了水下潜行实测，她表示这是巨大的飞跃。

在海底洞穴里，她点下「受诅咒的紫钻发光」和「电鳗群袭来」，洞穴深处立刻紫光爆闪，大群电鳗随之出现。

再点「幽灵海盗现身」，海盗船长的亡灵立马登场，效果相当逼真。

前谷歌AR/3D产品经理Bilawal Sidhu则把Genie 4用成了科幻大片的实时虚拟片场：他召唤出UFO，再打出一句「它把我吸了进去」，UFO瞬间轰开牵引光束，准备把人吸走。

四大关键功能

据谷歌官博介绍，Genie 4在四大关键功能上做了提升。

实时塑造世界模拟

模拟场景可以用自然语言实时修改，比如换天气、移镜头，或者加入新的人物和物体，Gemini会结合周围场景来调整这些指令。在两次输入指令的空档，Gemini还会监控并引导场景，让整个世界流畅地运转下去。听起来，这不就是《盗梦空间》成真了？

一个男人在岛上吹萨克斯，敲下「鲸尾出现」，他身后的水里立刻浮出鲸鱼。接着让这个世界下雪，鹅毛大雪当场飘落。

把镜头切到第一人称视角，实时改写世界带来的冲击感会更强。画面里，测试者以140公里的时速骑着巨龙俯冲，掠过古堡，此时下令「城堡发射火球」，塔楼当场喷出烈焰，火球擦身而过，刺激感拉满。

另一个场景中，Genie 4先按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场景。

拓展物理学和人类行为的现实边界

这一回，Genie 4为交互模拟立下了新的真实感标准。

凭借对世界物理规律的深入把握，Genie 4 模拟真实物理场景时相当逼真，空气动力学、碰撞这类情形都在其中。

Genie 4 这回最扎眼的提升落在人物模拟上——它能生成自然走动、会对环境作出反应、还能实时交互操控的角色。场景放到 80 年代的日本乡村车站，给出一个 prompt，乘务员便会喊出车提示。

再补一个提示，一位拎着行李箱的老妇人立刻现身。后面这些画面，足以让人感慨 Genie 4 的物理交互有多逼真。

户外庭院的台子上，大理石半身像被砸向西瓜。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 在实时交互中都还原得恰如其分。

柔体力学和空气动力学，Genie 4 同样应付自如。草甸上那块粉色丝绸，一阵风吹过便迎风翻涌，层层波浪丝滑逼真。

枫树种子落地的特写镜头，逼真程度同样不减。镜头推到毫厘之间的微距视角，枫树翅果宛如直升机螺旋桨般自旋滑落，最后轻轻停在草叶之间。

告别「无声蜡像馆」，Genie 4能模拟声音了！

Genie 4 是谷歌旗下首款原生生成音频的实时世界模型。每个世界都自带环境声响，比如树叶沙沙、海浪拍岸。

不过真正的难关还是人类语言。Genie 4 为此加入实时互动对话能力：角色会依据你的输入或发生的事件，实时开口对话、做出反应。

在这个半透明的 3D 彩绘玻璃世界里，用提示词可召唤出一只鹿。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 看作画质更佳、还能出声的「大号视频生成器」，就小瞧了 Google DeepMind 的野心。以往的实时世界模型撑不过几十秒就崩，症结在于纯像素预测缺少长程逻辑规划，第一步做完，后面的目标早被抛到脑后。

为治这个老毛病，谷歌这次拿出颇具颠覆性的「混合世界模型」架构，让三款 Gemini 模型与 Genie 4 组队配合。世界模拟由此多出一个推理层面，Genis 4 得以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的运行表现。

第一重配合，是让 Gemini 3.8 Flash 在循环回路中担任实时控场的「总导演」。Genie 4 在前台逐帧生成画面时，Gemini 3.8 Flash 在后台实时盯画面、拆解多步推理序列，一边核对当前步骤是否完成，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。

先看这场近景魔术：玩家每回关上箱门、挥一下魔术棒，右上角的Gemini 3.8 Flash便会确认该步骤已完成，随后指挥Genie 4动手，先把孔雀变成橘猫，接着又把橘猫变成一台复古收音机！

就算演到一半突然改戏，这位「总导演」照样能当场把剧本重排一遍。

再比如，让一颗流星划过冰天雪地，再指挥灰冠鹤走到电子琴前啄出旋律，末了让它一飞冲天。

Gemini 3.8 Flash管的是「世界如何按逻辑演进」；Gemini 4 Argon和Gemini Robotics的加入，则把具身智能与机器人训练的天花板捅破了。

人只说一句「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灌进Genie 4的生成流，右侧的Apollo机器人随之捏棋、走子、对弈，一整套动作行云流水。

Genie 4还能进实验室干精密科研的活。

工业级的UR5六轴机械臂也不例外，它在Genie 4里能精准夹住移液管，插进微孔板滴注液体。

中途把目标挪走也没关系，模型会实时重算策略，按新位置把抓取做完。

通往ASI的必经之路，是先造出一个世界

真正的「世界模型」指什么？

你推开一扇门，转身走开30秒，再回来时，那扇门还开着。

记得住物理规律，留得住空间记忆——视频模型与世界模型的分水岭，就在这里。

如今，Google Genie 4把这件事做成了。

「海量无标签视频预训练+少量动作轨迹微调」，再叠上Gemini的符号逻辑与长程记忆，Genie 4把单次连贯世界的维持时间一口气推到约2分钟。

打这儿起，搭交互环境再不用折腾手工3D建模。

Genie 4目前已向Google AI Ultra用户开放，还会作为史上首款进入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来：真正的AGI，绝不可能只活在对话框里！

AI一旦学会在自己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天，也就不远了。

参考资料：

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