Google DeepMind 发布 Genie 4：迄今最逼真的可交互世界模型
Google DeepMind 于周二在研究预览中发布了其最新的世界模型 Genie 4。该最新模型生成了迄今为止最逼真且可交互的世界，允许用户在模拟过程中输入提示词以改变场景。该模型还能生成与模拟世界相匹配的实时音频，包括音乐、环境噪音和交互式对话。
行业整合加速，巨头竞相布局
Genie 4 的发布是在 AI 视频初创公司 Runway 发布其第二个世界模型 GWM Worlds 2 几个月后，这是一个可玩模型，能动态响应用户输入并包含音频生成。与此同时，世界模型行业开始整合。Fei-Fei Li 的 World Labs 正被 AMD 收购，Amazon 正在洽谈收购 Decart，而 Rivian 刚刚收购了 Third Dimension，以便将仿真能力内部化用于自动驾驶测试。
Genie 4 是 Google 在拥挤的领域中保持领先地位的又一举措。
Genie 4 核心升级：更逼真、更长时、更强物理效果
Google 在一年多前作为研究预览发布了其前身 Genie 3。除了更加逼真并具备音频功能外，Genie 4 还允许自由编辑，例如实时更改天气或摄像机角度，或添加新的人物或物体。它可以维持长达两分钟的一致场景，是其前身限制的两倍，并提供更好的物理效果和更拟人化的角色。
与 Gemini 深度集成，赋能机器人测试
Gemini（Google 的 AI 模型）也与 Genie 4 更紧密地集成，充当规划步骤并检查帧数的导演，而 Genie 负责创建视觉效果。在与 Gemini Robotics 相关的研究实验中，一个 Gemini 4 Argon 模型将任务分解为步骤，由 Genie 4 实时模拟。该实验展示了在现实世界中发生之前，在模拟环境中测试机器人场景的一种可能方式。
Google 研究总监 Tejas Kulkarni 在一次简报会上表示：“未来我们将越来越多地看到这些混合世界模型，其中 Gemini 编写代码和文本，而 Genie 实时接收这些信息，并在不同抽象级别上模拟现实。”
应用场景：从游戏、学习到电影原型制作
与其他世界模型一样，其宣传的商业用例包括游戏、交互式学习和机器人技术。交互式学习的一个推测性示例是进入一幅描绘历史场景的画作，并与画中人物就所描绘的事件进行交谈。
但“受信任的测试人员”——即首批获得 Google 尖端产品访问权限的人——指出了一种可能的全新用途：电影原型制作。
“在创意空间中保持心流状态变得极其有用的领域，实时性方面变得最有价值，”谷歌 DeepMind 工程师迭戈·里瓦斯在一次简报会上表示。“例如，在构思阶段、分镜阶段——任何你需要快速产生想法的时候。”
谷歌还推出了 Veo，其 AI 视频生成模型可以根据文本、图像或视频提示生成带有内置同步音频的高清片段——这一工具在电影制作人中越来越受欢迎。
里瓦斯补充说，用户最终可以依赖 Gemini Omni，这是一种多模态大语言模型，能够从图像、音频和文本生成视频，从而将这些原型转化为创意资产。不过他说，这些能力还有很长的路要走。
当前局限与发布计划
在整个简报过程中，里瓦斯强调 Genie 4 仍处于早期阶段，端到端的产品体验尚不明确。团队也承认 Genie 4 仍存在不足：随着模拟运行时间越长，细节和物体可能会出现漂移；他们尚未完全解决如何确保音频准确以及场景中文字清晰可读的问题。
Genie 4 目前作为研究预览版向受信任的测试人员开放。在未来几周内，该模型将面向 Google AI Ultra 订阅用户在 Project Genie 中推出，这是谷歌用于根据文本或图像生成交互式世界的 AI 工具，同时也会提供给 Gemini API 和 Google AI Studio 的早期访问合作伙伴。