空气动力学、碰撞都能模拟：谷歌Genie 4来了，把物理写进世界模型！
智东西
谷歌发布Genie 4：融合Gemini能力，实现高保真实时交互世界模拟
智东西10月28日消息，今日，谷歌正式发布新一代世界模型Genie 4。该模型在真实感与实时交互能力上实现显著突破，能够原生生成音乐、环境音及交互式对话，并在生成虚拟世界的同时保持高度的物理连贯性。
▲谷歌发布最新世界模型Genie 4（图源：X）
谷歌表示，Genie 4深度融合了Gemini系列模型的核心能力：利用Gemini Omni确保模拟环境在视觉外观和行为逻辑上贴近现实，同时借助其他Gemini模型的复杂推理能力，保障模拟世界的连续性与一致性。用户可在Genie 4中触发事件，模型将实时模拟后续的世界响应、环境音效以及人物的移动、反应和言语互动。
谷歌CEO桑达尔·皮查伊（Sundar Pichai）在社交平台X上评价称，Genie 4是谷歌目前“最逼真、交互性最强的世界模型”。他指出，该模型不仅能实时操控动态环境并生成匹配的原生音频，还能依托Gemini的推理能力处理连贯的多步骤事件。
▲皮查伊发文介绍Genie 4（图源：X）
相较于2025年8月发布的Genie 3，Genie 4新增了原生音频支持、实时人物对话功能，以及由Gemini驱动的多步骤推理和场景控制能力。在相同提示词下，Genie 4生成的场景真实感更强，人物动作更加自然流畅。
部分开发者认为，Genie 4带来了“置身片场”般的体验。用户可进入实时运行的模拟场景，进行多次“拍摄”，并即时调整摄像机角度、灯光、声音及人物动作。
▲海外开发者对Genie 4的评价（图源：X）
业界观点认为，Genie 4展现了世界模型接近通用人工智能（AGI）的潜力。通过将Genie与Gemini结合，AI智能体（Agent）可在模拟环境中预先测试行动并比较结果，再将优化后的方案应用于现实世界，从而显著提升空间与物理推理能力。
▲海外开发者对Genie 4的评价（图源：X）
谷歌强调，理解并模拟现实世界是构建AGI的关键环节。Genie 4旨在生成安全且无限变化的模拟环境，既为机器人和Agent提供训练场景，也支持创作全新的交互式体验。目前，Genie 4正以研究预览形式向受信任测试者开放，未来将逐步面向Project Genie订阅用户及合作伙伴推出。
支持自然语言实时操控，场景同步生成环境音
在Genie 4中，用户可通过自然语言实时修改模拟环境，如改变天气、调整机位或添加角色与物体。Gemini能结合上下文理解指令，确保修改内容与原有环境保持一致。在用户输入间隔期，Gemini会持续观察并引导场景发展，维持世界的连贯推进。
官方演示显示，模型可根据提示词生成具有电影质感的场景。例如，在萧瑟的湖面平台上，一名中年男子身穿西装演奏萨克斯，背景音乐随之呈现悲伤基调。用户还可要求加入鲸鱼或将天气自然切换为雪天。
谷歌指出，Genie 4在实时交互模拟中引入了更高水平的真实感，能够模拟空气动力学、碰撞等物理过程。生成的人物不仅移动自然，还能对环境做出反应，用户可直接操控这些角色。
此外，Genie 4具备原生音频生成能力。每个模拟世界均配备与环境匹配的声音，如风声、海浪声等。模型支持交互式对话，人物可根据用户输入或突发事件即时交谈并作出反应。例如，在彩色玻璃构成的三维景观中，当小鹿涉水过河时，场景会同步实时生成流水声。
Gemini 3.8 Flash拆解任务，Argon探索机器人模拟
谷歌将Gemint与Genie 4结合，在生成世界前引入推理层，使其能够模拟复杂的多步骤事件，并测试AI系统在不同环境下的任务完成能力。
在实时运行中，Gemini 3.8 Flash充当引导Agent。当Genie 4生成世界时，Gemini持续观察场景，将目标拆解为具体步骤，分析画面并跟踪进度。一旦世界发生变化或用户介入，Gemini会即时调整计划。例如，模型可根据提示在背景生成流星，并引导画面中的鹤走向雪地钢琴。
谷歌表示，通过这种协同机制，Genie 4能够构建具备可靠因果关系、程序化行为及多步骤推理能力的模拟世界。
谷歌还在探索Gemini 4 Argon、Genie 4与Gemini Robotics的结合。演示中，Argon将用户任务拆解为多个步骤，以文字提示形式传递给Genie 4。这种合作使得模型能够模拟Apptronik Apollo人形机器人下跳棋，并将任务拆解为可实时执行的步骤。
从电影预演到历史复原，测试者探索多元应用场景
目前，Genie 4处于早期实验阶段。谷歌正与创意产业、新闻、教育、游戏及工程领域的受信任测试者合作，评估其在现实工作流中的支持能力及改进方向。
在创意领域，电影制作人可将Genie 4作为快速预演工具，在实时模拟场景中多次“拍摄”，即时调整镜头、灯光、对白及动作。
在新闻与历史还原方面，摄影师正测试将二维档案照片转化为对应的模拟世界。相关团队还探索通过动态世界帮助用户体验历史空间，或观察山洪、野火等短期环境事件的演变过程。
在游戏与交互设计领域，开发者可通过自然语言提示词，在数秒内将创意转化为可探索原型，并在编写代码前测试视觉风格、材质效果及交互机制。企业合作伙伴也在评估其快速生成行业场景的能力。
谷歌将Genie 4视为混合世界模型的一部分。未来的世界模型有望结合代码与语言模型的逻辑推理能力，以及像素级模拟的感官表达能力。Gemini负责理解世界结构并规划叙事，Genie则负责生成即时的物理现实，呈现世界的外观、声音和反应。
结语：世界模型从生成画面走向持续运行
Genie 4在生成逼真画面的同时，实现了模拟世界的持续运行，能够处理物理变化、人物行为、环境声音、互动对白及多步骤任务。
目前，Genie 4仍处于研究预览阶段，长期运行中的细节漂移、复杂物理交互和空间准确性仍有待改善。随着模型向Project Genie、Gemini API和Google AI Studio逐步开放，世界模型能否从演示场景走向稳定、可控的实际工作流，仍需进一步验证。
