Google 重磅发布 Genie 4:世界模型终于活了

谷歌这次玩真的了：AI 生成的世界开始有声音了，世界模型要进入新的level了。

就在今天凌晨，Google DeepMind 官宣了 Genie 4。官方给它的定位是：我们迄今最具交互性的世界模型。

重重重要的是！它是 DeepMind 第一个原生生成音频的实时世界模型。官方发布视频里所有能听见的声音，全部由 Genie 4 自己生成。

除此之外，Genie 4 还把物理运动、人物动作和实时控制又往前推了一步。

世界模型到底是什么，先看谷歌官方展示的一个案例。

起点只有一句话：冠鹤走过雪地，黄昏的天空渐变，纪录片风格。

画面里就是一只冠鹤，在冰天雪地里走。画面左下角亮着 WASD 键，右下角是方向键，镜头一直贴着它。

然后，输入框里敲进一行字：一颗流星划过天空。

天上真的划过一道白线。

再敲一行：冠鹤走向一台白色钢琴。

雪地上多出一台电子琴，冠鹤低下头，凑过去，把喙按在琴键上。

最后一行：冠鹤展开翅膀，飞起来。

冠鹤张开翅膀，从琴边腾空而起，身后的雪地、那台琴、天上的流星，都还在原地。

一次输入，一个事件，每一步都是现场算出来的，没有一个镜头是提前拍好的。

说实话，世界模型这个概念，过去一年多每隔几周就要冒出来一回。

Genie 自己这一路，已经走了三个版本。可这次不一样，它让世界模型活过来了。

◽跟上一版本比，差距一眼就看出来

想知道 Genie 4 到底强在哪，我们拿它跟上一版本比一下就清楚了。

谷歌官方放出了一组同屏对比，两边生成的都是剧院后台。

左边是 Genie 3。右边是 Genie 4：镜头切进一条忙碌的后台走廊，演员在补妆、整理服装，旁边挤着衣架和设备，帘子、镜子和暖光灯泡把空间填得满满当当。镜头走进去，看到的不只是一间布置好的屋子，还有一群正忙着的人。

同样是剧院后台，Genie 4 生成的画面里多了更多人物和细节，人物动作也更自然。镜头走进去，看到的不只是一间布置好的屋子，还有一群正在忙碌的人。

所以这次的升级，不只是让世界看起来更清楚：人动得更自然了，场景有了声音，物体碰撞时也能生成相应的变化。

接下来我们先说第一个：声音。

◽每个世界，都带着自己的声音

前面几代生成的世界模型，比如风在吹，叶在晃，浪在拍岸，什么声音都没有。

当然不是谷歌忘了做，因为前期让声音和画面在同一帧里对上，并且保持连贯要难得多。

而这次官方的亮点就是，让每个世界都带着它自己那套环境声，从林间的风，到拍上岸的浪。

从官方演示里的一段就能看出来。

一片平台浮在寂静的湖中央，远处是雾林，天是淡蓝灰的阴天，中间悬着一颗暖黄色的球，一个穿宽松棕色西装的中年男人站在上面吹萨克斯。

提示词要求人自然地继续吹，带着细微的呼吸、手指动作和身体轻晃。

声音那一栏是这么写的：自然的湖面环境声、远处的风、轻柔的水声，以及真实的萨克斯声；除了场景里物理存在的乐器，不要额外加背景音乐。

Google 要的不只是有声音，是这声音得从这个世界里长出来。

另一段是第一人称龙骑士，骑着黑色巨龙以 140 公里时速冲过山地竞速赛道，音频栏写着：深沉的振翅声、高空风声、远处的火山轰鸣、火星噼啪。

光有声音还不够，Genie 4 引入了实时互动对话。

◽角色能互动对话，还能回应指令

官方把人类语言称作真正的难关。这一次引入了实时互动对话，角色之间能对话，也能对用户的操作和世界里发生的事做出反应，全程实时。

另一方面，这次最明显的飞跃，是模型模拟人的能力，让动作自然、对环境有反应、还能被实时操控。

在下边这段演示中就可以看到 Genie 4 的能力。

一座 1980 年代的日本乡村车站，红色列车停在站台边，一位戴大檐帽的站务员走在人群前面。

输入框里敲一句：他广播下一班列车发车。

再敲一句：一位老妇人拎着手提箱赶来。

镜头沿着车厢一路扫过去，一位白发老妇人拎着棕色皮箱，真的从画面边上走了进来。

另一个更有意思的例子，来自拿到早期访问的宾大教授 Ethan Mollick。

他先让 Genie 4 生成一座住着机器人和马的城市，又在场景里加入了一只友好的水獭角色。

他让水獭过来提问，画面里的水獭随后出现，还开口搭了话。

这个世界真奇妙，角色能开口，能接话，还能对用户的指令和世界里发生的事当场做出反应。

人物的反应自然了，接下来的物理运动才是更逼真。

◽物体碰撞更自然，变化也能接着生成

前几个版本的 Genie 也展示过水、重力和物体互动。到了 Genie 4，Google 希望它能把碰撞、空气动力学等场景模拟得更逼真。

官方演示：一只完整的西瓜放在石台上，随后，一尊沉重的大理石半身像砸下来，西瓜被压碎，红色果肉散开。

看起来只是“砸了个西瓜”，对模型来说，却要接着生成碰撞之后的画面：雕像落下来，西瓜破开，果肉散到周围。每一步都得和前面的场景接得上。

还有一段画面，是一条长长的粉色绸缎铺在花草之间。随着风吹过，轻薄的布料扬起来，在草地上起伏。

现在我们已经看到，这个世界模型可以实时修改正在发生的世界，可以让物理运动和人物行为更逼真。

这么多事同时在跑，那么谁负责让后面的世界接着演下去？

答案是套分工。

◽Gemini 当导演，Genie 负责把世界演出来

我们可以把它想成片场：Genie 是演员，Gemini 是导演。

导演干的活是一串：看当前画面 → 拆解目标 → 安排下一步 → 检查这一步成没成 → 根据变化临时改计划。

Gemini 3.8 Flash 模型就是导演，它在环里当引导智能体：Genie 一边实时生成世界，模型它就一边观察场景、把目标拆成一步一步的动作、回看进来的每一帧、核对上一步到底有没有成功。

世界一变，或者我们一下指令，它当场改计划。

官方把可靠的因果、程序化行为和多步推理这套东西，归功于这个循环。

分工大致是这样：

Genie 4 负责把世界的画面和声音演出来。Gemini 3.8 Flash 负责盯着、拆着、接着、查着。Gemini Omni 提供外观和行为方面的基础，把模拟锚在真实世界该有的样子上。

这么折腾，是为了解决一个老问题：多步骤的事，靠纯像素生成根本接不住。

让一个角色走到桌边、伸手、拿起杯子、喝一口，中间任何一步接歪，整个动作就散了。有语言模型在旁边盯着，才谈得上把一件事做完。

这也是谷歌自己提到的下一步方向：把语言和代码那种结构化的推理，跟像素级的感官模拟合到一起。

用他们的话说，Gemini 在幕后规划结构和叙事时间线，Genie 生成眼前的物理现实，世界长什么样、听起来什么样、怎么回应，一笔一笔画出来。

◽测试者已经玩上了，但世界模型还不太完美

道理讲完了，这东西真到了人手里，会被玩成什么样？

宾大教授 Ethan Mollick 在自己的电脑上敲下一行字：一座住着机器人和马的新哥特式粗野主义城市，大约一分钟，城市就出来了。他接着要龙，再要一只友好的水獭 NPC，全程实时。

他的评价是：相当疯狂的一次体验，只是并不完美。

a16z 合伙人 Justine Moore 也拿到了提前访问。她说，这是从一个起始提示（环境加角色）就生成的、完全可交互的世界，感觉是巨大的一步跨越，现在可以提示着去改变这个世界，并与之互动，还带原生音频。

热闹归热闹，并不完美 这四个字，谷歌自己也写在了发布页上。

谷歌承认：视觉细节和物体会随时间漂移，世界模型跑得越久、提示词改得越多、在场景里走得越远，越明显

这个世界会失忆。

官方模型页还写明，模型支持的只是数分钟的连续交互，不是长时间会话。

想在里面待一下午，现在还不行。

目前的使用门槛也还是有的。Genie 4 现在是研究预览，只给一小批可信测试者。之后才轮到 Google AI Ultra 订阅用户在 Project Genie 里用，以及 Gemini API 和 Google AI Studio 的早期合作伙伴，官方已经挂出候补名单。

尽管现在还并不完美，门槛也是有的。但 一句话，一个世界。Genie 4，这次真的不一样。

参考文献

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

[2] https://blog.google/innovation-and-ai/models-and-research/google-deepmind/introducing-genie-4/