刚刚，谷歌世界模型Genie 4实测，30秒生成游戏，24帧实时交互、边玩边改

谷歌最新推出的Genie 4模型，实现了从视频生成到可交互世界的跨越。当地时间10月27日，Google DeepMind发布了这款新一代世界模型，宣称其具备“迄今最逼真、交互性最强”的特性。

相较于Genie 3，Genie 4新增了原生音频生成、自然语言实时操控、复杂物理与人物行为模拟等功能，并借助Gemini系列模型实现多步骤事件推演。在官方演示中，用户可通过键盘控制导航和镜头，使用文本提示改变场景，如添加物体或切换视角，场景会实时响应并保持角色行为连贯。

这一能力由Gemini系列模型驱动：Gemini Omni负责保证画面真实感，其他Gemini模型则处理指令翻译、事件规划和进度跟踪。当用户更改指令时，Gemini会动态调整方案。此外，Genie 4 Argon甚至能指挥Genie 4模拟人形机器人下跳棋的过程。

这表明，Genie 4已超越传统AI视频生成，迈向可交互、可控制、可用于AI训练的世界模拟系统。目前，该模型已面向少量受信任测试者开放研究预览，未来将逐步扩展到Google AI Ultra订阅用户及Gemini API、Google AI Studio的早期合作伙伴。

在参数上，Genie 4单次生成交互体验最长可达2分钟，较上一代Genie 3的1分钟上限翻倍。这一时长虽看似有限，但对游戏开发者验证单段玩法或影视主创预览单组镜头而言，已足以覆盖基础测试需求。

AI世界开始“活”起来

此次谷歌展示了四个方面的能力升级：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进行复杂事件推演。部分演示已接近可交互游戏与真实影像的结合。

首先，用户无需提前设计场景，即可在生成过程中随时改变世界。 在一组演示中，一名身穿棕色西装的萨克斯演奏者站在湖面中央的漂浮平台上，周围是雾气弥漫的森林和流动的湖水。人物持续演奏，动作自然，摄像机可独立移动观察环境。用户能通过键盘控制移动与视角，用文字指令实时改变天气或引入新元素，Gemini会根据环境理解要求并维持场景发展。

其次，物体和环境表现出更复杂的运动规律。 在另一组案例中，西瓜置于石台上，枫树种子旋转着落入草地；一座日本乡村火车站内，人们在站台上行走候车。谷歌强调，Genie 4提升了对空气动力学、碰撞等物理现象的模拟能力，尤其在人物动作方面取得进展，可生成更自然的人体运动并接受实时操控。不过，物理模拟仍基于模型学习世界规律生成，并非精确计算。

第三，Genie 4首次为AI世界原生生成声音。 在演示中，用户骑在龙背上穿越山脉，伴随飞行出现巨龙振翅轰鸣、高空气流和火山活动声。这些声音由Genie 4直接生成，而非后期添加。模型还能实时生成人物对话，使场景中的角色根据用户输入或事件作出语言回应，而非重复预设台词。对虚拟角色、互动叙事和游戏开发而言，这意味着开发者可创建随情境变化持续产生行为与对话的模拟人物。

在开发者Justine Moore（a16z合伙人）生成的视频中，展示了更复杂的实时生成游戏世界。整个场景从一条提示词生成，环境加角色，随后可用提示词改变事件。视频中，一个穿潜水服的角色在洞穴里探索，脚下散落金币，旁边有木桶。屏幕上方提示“Describe changes to your world...”，并显示任务选项。右侧帧率面板显示，当前24.6 FPS，最低17，平均23.8。

Justine Moore表示，她提前获得了Genie 4访问权限，创建世界速度通常不到30秒，有约2分钟实时交互窗口。用户可通过键盘鼠标移动，或用自然语言改变世界，Gemini系列模型负责处理指令，保证场景连贯性。此外，Gemini 4 Argon将任务拆解为步骤，通过文字指令引导Genie 4逐步执行，并可随模拟推进调整后续步骤。

Genie4 技术揭秘

从技术角度看，谷歌正尝试解决世界模型的两大难题：让模拟环境随用户操作实时变化，以及让连续事件保持逻辑一致。这背后是两个大脑协同工作：Gemini负责思考，Genie负责生成物理世界。

理解这一变化，需先区分世界模型和普通视频模型。传统视频生成模型根据文本、图像等条件生成确定影像；世界模型则需回答用户操作后的视野变化、物体互动结果、环境一致性等问题。这涉及动作条件生成和世界状态一致性两个关键概念：下一帧画面需考虑用户行动，且模型需记住已生成环境，避免空间关系随时间变化。

谷歌在2025年发布Genie 3时，已实现每秒24帧、720p分辨率的实时交互生成，并支持数分钟环境模拟。Genie 3采用逐帧自回归生成方式，不依赖预先建立的三维场景，而是根据历史画面和用户操作持续生成后续内容。但这带来技术挑战：生成时间越长，模型需参考更多历史信息，误差可能积累。

Genie 4延续实时世界生成方向，最突出的变化是将Gemini系列模型引入模拟过程。整个系统涉及三个层面：第一层，Genie 4负责实时生成视觉、声音和动态环境；第二层，Gemini Omni强化模拟世界与现实规律的联系；第三层，Gemini 3.8 Flash担任实时指导智能体，不断观察场景，将复杂目标拆解为步骤，并通过检查新生成画面判断进度。一旦用户介入或世界状态变化，Gemini可重新调整计划。这使语言推理能力融入动态环境生成过程，有助于维持复杂事件连贯性。

谷歌还在探索更进一步的组合。在Apollo人形机器人下棋演示中，Gemini 4 Argon参与任务规划，将用户目标拆分为步骤，再将文字指令交给Genie 4驱动模拟过程。谷歌将这一路线称为未来“混合世界模型”，其基本思路是结合代码与语言模型的结构化逻辑推理，以及像素级生成模型的丰富感官模拟能力。