刚刚，谷歌重磅发布Genie 4：这才是真正的「世界模型」
谷歌甩出深夜王炸：一句提示词造出“活体宇宙”
就在刚刚，Google DeepMind正式发布新一代通用世界模型Genie 4。谷歌CEO劈柴第一时间宣布：从“生成一段视频”到“实时运行一个世界”，言出法随的“绿洲”时代来了。这是谷歌迄今为止最逼真、最具互动性的AI世界模型——一句提示词，就能直接造出一座能张嘴接戏、实时改命的“活体宇宙”。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。
这次Genie 4直接把世界模型拉进了“有声、有人、有大脑”的全新纪元。它不仅继续支持实时生成可探索的虚拟世界，更是第一次原生生成声音与即兴对话。虚拟世界中的角色可以根据突发状况张嘴即兴交谈，环境音效和配乐也同步生成。比如在一个半透明的3D彩绘玻璃世界中，用提示词召唤出一只鹿，最吸引人的是，它的脚步声都自动变成清脆的琉璃碰撞声。
从“看得见”到“听得懂”：声音、对话与物理效果全面进化
如果用一个词概括Genie 4这次的核心升级，那一定是——“实时”。简单来说，AI现在已经能根据你的操作，一边生成虚拟世界，一边模拟接下来会发生什么。而且这次，谷歌还把人物、物理效果、声音，甚至复杂任务推理都给卷上去了。
- 原生音频与互动对话：每个世界都拥有自身环境的声音，比如树叶沙沙作响、海浪拍打沙滩。更关键的是，Genie 4引入了实时互动对话功能，角色会根据你的输入或事件进行实时对话和反应，还能根据场景变化实时接话。
- 重塑逼真人类与刚体物理：借助Gemini Omni锚定现实常识，人物微表情、镜面反射与物理碰撞全面跃升。支持碰撞、空气动力学等物理效果，人物动作自然，还能根据环境实时反应。
- 2分钟连贯长记忆，24帧丝滑交互：单次连贯世界维持时间翻倍至约2分钟，实机画面稳定在约24帧/秒。能记住物理规律，能维持空间记忆——推开一扇门，转身离开30秒再回来，那扇门依然开着。
硬核架构拆解：三大Gemini轮番上阵，搭起“混合世界模型”回路
如果仅仅把Genie 4当成画质更好、能发声的“大号视频生成器”，那就低估了Google DeepMind的野心。过去的实时世界模型之所以玩不过几十秒就容易崩盘，是因为纯像素预测缺乏长程逻辑规划，往往做完第一步，就把后面的目标忘得一干二净。
为了治愈这个顽疾，谷歌这次端出了极具颠覆性的“混合世界模型”架构，派出三款Gemini模型与Genie 4组团打配合。这样，世界模拟就增添了一个全新的推理层面，让Genie 4能模拟复杂的多步骤事件，并在将AI引入现实世界之前，测试它们如何在不同环境中运行。
- 第一重配合：Gemini 3.8 Flash在循环回路里充当实时控场的“总导演”。当Genie 4在前面逐帧生成画面时，Gemini 3.8 Flash就在后台实时盯着画面拆解多步推理序列，一边验证当前步骤是否完成，一边下达下一步指令。随着用户干预，Gemini会立刻调整，生成具有可靠因果、程序员行为和多步骤推理的世界。
- 第二重配合：Gemini Omni锚定现实常识，让人物微表情、镜面反射与物理碰撞全面跃升。
- 第三重配合：Gemini 4 Argon负责拆解精细动作。在演示中，Gemini 4 Argon可以拆解出22步精细动作，指挥机器人下跳棋。另一个demo中，虚拟实验室里一台机械臂正夹着移液器对准实验孔板进行操作，从任务步骤规划到模拟精细动作，整个过程都在AI生成的环境中进行，旁边还能看到推理步骤。
不只是游戏：为机器人与通用Agent造出“无限试错的平行宇宙”
这次Genie 4还与Gemini深度结合，让世界模型具备了更复杂的任务规划和多步骤推理能力。具体来说，谷歌把Gemini 3.8 Flash接入了Genie 4，让它充当实时引导Agent——Genie 4负责生成虚拟世界，Gemini负责理解目标、观察环境，并决定下一步该做什么。随着Genie 4实时生成画面，Gemini还会持续观察场景，检查任务执行到了哪一步、前面的操作有没有成功。
这意味着，AI可以先在模拟环境中规划行动、观察结果、调整策略，再将经过验证的方法用于现实世界。当视频模型还在比拼几秒钟的镜头美感时，谷歌已经为未来的通用Agent与机器人，造出了可以无限试错的平行宇宙。真正的AGI，绝不可能只活在对话框里。当AI学会在自己创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一天，也就不再遥远了。
开放与短板并存：开发者已可排队，官方自曝“跑久了会漂”
目前，Genie 4已开始向一小批可信测试者开放，并即将面向Google AI Ultra订阅用户在Project Genie中提供，同时开放Gemini API和Google AI Studio的早期访问权限，waitlist已开启。生成内容全部带有SynthID水印。
官方也颇为老实地列出了当前短板：跑久了细节和物体恒常性会漂移，反复修改提示词或长时间导航后更明显；复杂物理、音频准确度、画面文字、空间精度都还在研究中。不过，距离Genie 3一年多，这次真正的信号不是画质，而是它走向了“hybrid world model”——Gemini管结构和叙事，Genie管像素级的物理现实。对于做预演、游戏原型、机器人训练环境的开发者来说，现在就可以去排队了。
