实时交互、全模态生成、Gemini深度协同——谷歌AI世界模型迎来重大突破。
Google DeepMind正式发布新一代世界模型Genie 4。这是谷歌迄今为止最逼真且最具交互性的世界模型，支持通过自然语言指令实时修改场景、模拟真实物理效果，并同步生成人物动作、环境音效及互动对话。
Genie 4核心升级：从视觉到全感官的实时生成
Genie 4的核心突破在于「实时性」与「多模态融合」。AI不仅能根据用户操作即时生成虚拟世界并预测后续发展，更在人物表现、物理模拟、音频生成及复杂任务推理上实现了显著跃升。
其主要能力涵盖以下四个方面：
- 实时世界生成与操控：支持一句话生成可探索的虚拟环境，用户可随时调整天气、人物状态、物体属性及场景布局。
- 真实物理与人物模拟：引入碰撞检测、空气动力学等物理引擎，人物动作更加自然流畅，并能对环境变化做出符合逻辑的实时反应。
- 原生音频与互动对话：实现环境音效、背景音乐及人物语音的同步生成，虚拟角色可根据上下文与用户进行实时语音交流。
- Gemini协同推理：集成Gemini大模型作为决策核心，负责任务规划、环境观察及策略动态调整，支持在虚拟环境中模拟机器人执行复杂任务。
视觉效果与物理模拟显著提升
对比前代Genie 3，Genie 4在视觉真实感与物理一致性上差距明显。新模型中的人物摆脱了以往的生硬感，动作更符合生物力学规律；场景复杂度大幅提升，从简单室内扩展至布满灯光、设备与人物的剧院后台等高信息量环境，光影呈现更接近真实拍摄效果。
在物理模拟方面，Genie 4能够精准呈现重力作用、物体碰撞形变及破碎效果。例如，人物高空坠落时的姿态变化，以及西瓜受击后果肉飞溅的细节，均展现出极高的物理保真度。
原生音频生成与沉浸式互动
Genie 4是谷歌首个支持原生音频生成的实时世界模型。系统能根据画面内容同步生成风声、水声等环境音，甚至让虚拟角色开口说话。在演示中，用户以第一人称视角骑龙飞行时，耳边呼啸的风声、巨龙振翅声及远处火山轰鸣声均随飞行状态实时变化，营造出极强的沉浸感。
此外，用户可通过自然语言指令动态修改场景要素（如天气、镜头角度），新增人物或物体能与原有场景保持逻辑连贯，Gemini会据此调整后续生成策略。
Gemini深度赋能：具备复杂任务规划能力
除了感官体验升级，Genie 4通过与Gemini的深度结合，具备了更高级的认知与推理能力。谷歌将Gemini 3.8 Flash接入Genie 4，使其充当实时引导Agent：Genie 4负责构建虚拟环境，Gemini负责理解目标、观察反馈并制定下一步行动策略。
虚拟环境中的机器人训练
在虚拟实验室场景中，AI可规划机械臂执行移液等精细操作，并通过观察执行结果动态调整策略。这种“仿真-验证-迁移”的模式，为现实世界机器人训练提供了高效低成本的解决方案。
高阶模型协同实验
谷歌还展示了更高阶的Gemini 4 Argon与Genie 4的协同工作。在一个人形机器人下跳棋的演示中，Gemini 4 Argon负责拆解任务步骤，Genie 4则实时模拟Apptronik Apollo机器人执行相应动作。整个过程完全在AI生成的虚拟世界中进行，无需实体机器人介入，实现了高度自动化的任务预演。
Gemini 4 Flash曝光：代号Hydrogen
在Genie 4发布之际，Gemini 4家族的另一成员也传来新消息。有网友发现，Gemini 4 Flash疑似已进入内部测试阶段，代号为“Hydrogen”（氢）。
作为主打速度与成本优势的Flash系列，Gemini 4 Flash旨在以远低于旗舰模型Argon的成本，提供接近其性能的智能水平。爆料称其生成速度可能达到每秒300 Token。若能将Argon级别的推理能力植入更高效、更经济的Flash模型中，将进一步降低高频应用场景的使用门槛。
随着世界模型能力的演进与大模型推理效率的提升，谷歌在通用人工智能基础设施上的布局正逐步完善。