如果 AI 不再局限于生成视频，而是创造一个可进入、可实时改变甚至能与之交互的虚拟世界，将会引发怎样的变革？
谷歌最新发布的 Genie 4 正在将这一设想变为现实。当地时间 10 月 27 日，Google DeepMind 正式推出新一代世界模型 Genie 4，称其为“迄今为止最逼真、交互性最强的世界模型”。
相较于主要突破实时场景生成与交互的 Genie 3，Genie 4 引入了原生音频生成、自然语言实时操控、复杂物理与人物行为模拟等能力，并借助 Gemini 系列模型实现了多步骤事件推演。
官方演示显示，用户可通过键盘控制导航和镜头，利用文本提示词（Prompt）实时改变场景，如调整天气、移动镜头或添加人物物体。场景会即时响应，角色亦会根据新设定继续行动。
这一能力的核心在于 Gemini 系列模型的介入：Gemini Omni 负责确保画面符合现实世界的外观与行为逻辑；其他 Gemini 模型则负责将用户请求转化为动作、规划复杂事件并跟踪进度。当指令变更时，Gemini 能动态调整方案。
在另一组演示中，Gemini 4 Argon 甚至指挥 Genie 4 逐步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，向可交互、可控制、可用于 AI 训练的世界模拟系统演进。目前，Genie 4 已向少量受信任测试者开放研究预览，后续将逐步面向 Google AI Ultra 订阅用户及合作伙伴开放。
参数方面，Genie 4 单次生成的交互体验最长可达 2 分钟（上一代为 1 分钟）。对于游戏开发者验证玩法或影视主创预览镜头而言，该时长已足以覆盖基础测试需求。
AI 世界开始“活”起来
此次升级主要体现在四个方面：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。部分演示已高度接近可交互游戏与真实影像的结合。
实时动态重构世界
用户无需预设完整场景，即可在生成过程中随时修改世界。
演示中，一名萨克斯演奏者在湖面漂浮平台上演奏，周围雾气弥漫。摄像机可自由移动探索，同时维持人物、物体与环境的空间关系一致性。用户通过键盘控制视角，利用文字指令实时调整天气或引入新元素，Gemini 会在无指令时协助维持场景的自然发展。
增强物理与行为模拟
物体不再仅是视觉装饰，人物与环境展现出更复杂的运动规律。例如西瓜置于石台、枫树种子旋转落地，以及日本乡村火车站中人群的动态候车场景。
Genie 4 提升了对空气动力学、碰撞等物理现象的模拟能力，尤其在人体运动自然度上取得进展，角色能根据环境做出反应并接受实时操控。需注意，此类物理模拟基于模型学习到的世界规律生成，而非精确的物理计算。
原生生成的沉浸式音效
Genie 4 首次具备原生生成的声音能力。在骑龙穿越群山的演示中，巨龙振翅声、高空气流声及远处火山活动声均由模型直接生成，而非后期添加。
此外，模型可实时生成人物对话，角色能根据情境变化持续产生行为与回应，为虚拟角色、互动叙事及游戏开发带来重大变革。
开发者 Justine Moore（a16z 合伙人）展示的实时生成游戏世界中，潜水员在洞穴探索，帧率稳定在 24 FPS 左右。她表示，创建世界通常耗时不到 30 秒，拥有约 2 分钟的实时交互窗口，支持通过键盘鼠标或自然语言指令（如修改天气、加人）改变世界，Gemini 负责保障场景连贯性。
复杂事件的逻辑推演
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，并根据模拟进程动态调整。这种“擅长推理规划的模型”指挥“擅长实时生成环境的模型”的模式，确保了复杂事件执行的逻辑连贯性。
Genie 4 技术揭秘
从技术层面看，谷歌旨在解决世界模型的两大难题：模拟环境随操作实时变化以及连续事件的逻辑一致性。其核心架构由两个“大脑”协同工作：Gemini 负责思考规划，Genie 负责生成物理世界。
世界模型与普通视频模型的区别
- 传统视频生成模型：基于文本或图像生成固定时长的影像。
- 世界模型：需回答“若用户向左走视野如何变化”、“若推倒物体后续状态如何”等问题，涉及动作条件生成与世界状态一致性。
Genie 3 采用逐帧自回归生成方式，虽实现实时交互，但随着生成长度增加，历史信息参考量增大，误差易积累。Genie 4 通过引入 Gemini 系列模型缓解了这一问题。
三层架构协同运作
1. Genie 4：负责实时生成视觉、声音及动态环境，表现人物运动与交互结果。
2. Gemini Omni：强化模拟世界与现实规律的联系，提供外观和行为基础。
3. Gemini 3.8 Flash / Gemini 4 Argon：担任实时指导智能体。观察场景，拆解复杂目标为步骤，检查执行进度并在用户介入或状态变化时重新调整计划。
这种将大模型语言推理能力引入动态环境生成的机制，被称为“混合世界模型”（Hybrid World Models），结合了代码/语言模型的结构化逻辑推理优势与像素级生成模型的感官模拟能力。
应用价值：内容创作与具身智能
- 内容创作：作为低成本试错引擎，游戏开发者可在 30 秒内测试玩法原型与美术材质；影视导演可实时进入动态场景比选运镜与灯光。
- 具身智能训练：充当合成现实训练场，自动化生成无限长尾工况，解决现实中机器人训练昂贵、易损硬件及传统仿真环境搭建繁琐的问题。
声明：本文为 AI 前线原创，不代表平台观点，也不构成投资建议，未经许可禁止转载。
热度延续：12 月 AICon 北京站见
12 月 18–19 日，AICon 全球人工智能开发与应用大会将在北京举办。本届大会以探索 AI 应用边界为主题，设置 13 大技术专题，覆盖大模型后训练、推理优化、Agent 工程、知识工程、智能体评测与安全、自进化系统、AI 软件交付、原生架构及组织变革等核心方向，汇聚一线技术专家，深入分享 AI 技术突破与企业规模化落地的真实实践。
