10 月 27 日，Google DeepMind 发布了新一代世界模型 Genie 4。演示视频里有一段：Apptronik 的人形机器人 Apollo 坐在棋盘前，伸出手，捏起一枚棋子，挪到另一个格子里。画面底下，一行行字幕在跳。
把这个动作按停，停在手指刚碰到棋子的那一帧。
然后问一个问题：这只手刚刚收到了什么指令？
答案藏在官方博客一个不起眼的句子里。负责指挥的是 Gemini 4 Argon，它把用户交代的任务拆成一串步骤，再把每一步作为文字字幕，实时喂给 Genie 4，由 Genie 4 渲染出接下来的画面。
换句话说，这只手收到的不是"腕关节转 12 度、夹爪张开 2.4 厘米、指尖接触力 0.8 牛"，而是四个汉字的意思——抓起棋子。
这是动作叙述，不是动作执行。中间隔着一道很宽的缝。
一、它这次真的变了，变的不是画质
先把 Genie 4 是干什么的讲清楚。
它不是生成一段视频给你看，是生成一个能走进去的世界。你用一句话把它造出来，用键盘在里面走动、转镜头，走着走着还能插话：天阴一点、镜头拉远、再加一个人进来。世界接着往下跑，不用重新生成。
官方列了四项本事：能用自然语言边跑边改世界；物理和人物动作更真；第一次原生生成声音，环境音、配乐、人物对话都跟着画面一起出来；以及由 Gemini 撑住的多步事件推理。
前三项这两天被写烂了，真正值得停一下的是第四项。
Genie 4 跑起来的时候，回路里还坐着另一个模型。 Gemini Omni 负责把场景拴在真实世界的外观和行为上；Gemini 3.8 Flash 负责盯着画面，把你要干的事拆成步骤，然后逐帧检查——这一步走完了没有？没走完，接着推；你中途插了句话，或者世界自己变了样，它就把计划改一改。
以前的世界模型，只回答一个问题：下一帧是什么样。
现在它多回答了一句：这件事干完了没有。
多出来的这一句，是它第一次有可能进入训练链条的理由。训练一个会干活的智能体，光知道世界长什么样不够，还得知道"干到这儿算不算数"。谷歌把判断这一层补了上来，方向是对的。
二、一句话，一万个厨房
再说说它到底有多能干。
过去要给机器人准备训练场景，是体力活。租房子、搭台子、买道具，一个厨房就是一个厨房，台面 85 厘米就是 85 厘米。想换个高度？重新搭。想换种光线？等太阳，或者搬灯。想试试抽屉卡住的情况？拿个螺丝刀去拧。
然后把人请来，戴上遥操作的设备，一遍一遍演示。数据是按小时堆出来的，一小时就是一小时的钱。
现在这件事变成了一句话。
一个台面高一点、抽屉有点涩、冰箱门朝左开的厨房。再来一个，台面降五厘米，灯换成冷光，地上多一双拖鞋。再来一个，有人在旁边走动，每隔十秒挡一次视线。
变体是调参数调出来的，不是重新采样的另一段视频。 这是关键区别。你不需要赌运气，等模型给你一个不一样的东西；你是指定它哪里不一样。
对做数据的人来说，这意味着"场景"从一次性资产，变成了可以设计的实验变量。以前你只能复现几个典型工位，现在你可以系统地问：目标挪到哪儿策略就开始失效？挡住多少视线它就认不出来了？抽屉涩到什么程度它就拉不动了？
这一端的成本，正在被压到接近于零。
但请注意，接口清单上只有三样东西：键盘导航、镜头控制、文字提示。
没有第四样。
三、那只手收到的是字幕
现在回到棋盘上那只手。
训练一个机器人策略，要的是一张对应表：给了什么动作，世界变成了什么样。 表的左边得是能被执行的量——关节角转了多少，夹爪行程多少，力矩多大。右边是世界因此发生的变化。有了这张表，策略才能在里面试错、拿奖励、一点点改。
Genie 4 给的表的左边，是文字。
"抓起棋子"这四个字，渲染出来的是一只伸向棋子的手。画面里，手指碰到了棋子，棋子跟着动了。
但手指碰到棋子，不等于接触力被计算过。 棋子和指尖之间的摩擦、夹持时的微小滑移、棋子被捏起来那一瞬间重心的变化，这些在画面上都可以没有，只要它看起来对就行。
官方博客没有说明 Apollo 的本体收到了哪些关节指令，没有给控制频率，没有给接触力，也没有给真机上的成功率。
所以准确的说法是：这是一次用语言引导世界模型、去模拟机器人任务的演示。 它展示了一个研究方向，没有给出一条可以复现的工程路径。
这两句话听起来差别很小，落到做机器人的人身上，差别就是全部。
四、四道关，第一道就没过
假设我们想让机器人学会"从桌上拿起一个杯子"，一个世界模型要在这条路上帮上忙，得过四道关。
第一道，它得知道你刚才干了什么。
不是"你打算拿起杯子"，是"夹爪刚才张开了 2.4 厘米，腕部转了 12 度"。没有这个输入口，模型就不知道你的动作和世界变化之间的对应关系。Genie 4 的输入是键盘和文字，这一关它没有。
第二道，杯子被捏住之后，世界得接着讲理。
杯子会变形吗？会打滑吗？杯壁上的水会不会让摩擦变小？官方说 Genie 4 改进了空气动力学和碰撞的模拟，这是进步。但同一篇博客里，谷歌自己写得很明白：视觉细节和物体持久性会随着时间漂移，尤其是在长时间运行、多次复杂编辑、或者你在场景里走了一大圈又回来之后。
抓起杯子，转身，再回头，杯子还在不在原来的位置——它不保证。
第三道，得有人判定"拿起来了没有"。
这一关 Genie 4 有新东西：Gemini 逐帧看着画面，判断这一步算不算走完。
但这里藏着一个陷阱，值得单独说说。判断的人和生成画面的人，可能会犯一样的错。 如果模型把一处错误的物理变化当成了真实，那么负责检查的那个模型，很可能也把同一处错误当成了成功。一次失败的运行，你分不清是策略错了，还是模拟本身错了。
更麻烦的是，如果评价只认"看起来像成功"，策略就会学着去制造成功的画面，而不是把活干成。
第四道，真机上到底行不行。
这一关没有数据。演示没有报成功率，没有和不用这套方法的基线做对比。
顺便说一句，Genie 4 的参数量、分辨率、帧率、时延分布，谷歌这次全都没公布。上一代 Genie 3 发布时，明明白白写着 720p、每秒 24 帧。这次不说了。
对机器人团队，这不是小事。控制环在意的不是平均帧率，是尾部延迟——突然卡一下，抓取窗口就过去了。没有这些数，连部署成本都算不出来。
还有一个细节，两天里很少有人提。有把两代模型页逐条对比过的媒体注意到：上一代的局限清单里，有一条叫"动作空间受限"，到了 Genie 4，这一条不见了，同时多出来一条新的，"音频准确性"。
删掉了限制，却没有给出替代的动作空间定义。这个空档，就是它到训练场之间那段路的宽度。
五、"仿真"这个词，现在指着两样东西
过去一年很多争论，其实是被同一个词带偏的。
传统的仿真器，卖的是物理对、可复现。给定同一个初始状态、同一个动作，跑一百次，结果一模一样。摩擦系数、质量、关节限制，都是明码写在那儿的。它的问题是场景费——每一个环境都得人工搭，搭一个是一个，贵。
世界模型卖的是另一头：场景无限、语言可控。它的问题是物理飘、不可复现。同一个初始状态、同一句提示，跑两次，未必一样。
两样东西，现在都被叫作"仿真"。于是说"仿真没用"的和说"仿真有救"的，常常根本不在讲同一件事。
有一组数字，能把这条线画得特别清楚。
NVIDIA 做过一个真机实验，用的是 Cosmos Transfer 2.5——它做的事是把视频换个样子：换物体、换背景、换灯光。同一个任务，每组测 30 次。
不做任何数据增广，成功 1 次。做常规的随机增广，成功 5 次。用生成出来的视频做增广，成功 24 次。
这是他们自己公布的结果，每组只有 30 次，别外推。但它把一件事说得很清楚：合成数据是真的有效。
但请看清楚它有效的那个位置。它改的是机器人看到的世界，不是机器人做出的动作。把同一件事的样子变多，这条路走通了；把同一件事的做法变对，还没走通。
六、场景白送了，动作还得买
具身智能这行，这两年最常说的话是数据不够用。今年世界人工智能大会的圆桌上，有人把这个缺口量化了：可用的真实交互数据，和大语言模型比，差一万倍以上；要到开箱即用的程度，需要 1 亿小时级别的数据。
但这个缺口得拆成两笔看。
一笔是场景的账，一笔是动作的账。
场景的账，世界模型正在把它还清。一万个厨房，一句话一个，台面高低、光线冷暖、抽屉松紧，随你调。
动作的账，一分没动。夹爪张开几厘米、用多大力、滑了怎么补救、失败了是什么手感——这些只能靠真机一遍遍地做，做出来，记下来。
于是结论有点反直觉：世界模型越强，真机数据越贵，不是越便宜。
Dyna Robotics 的马也骋在那次圆桌上讲过一个数据金字塔：最底下是海量仿真数据和互联网视频，最顶上是部署之后回流的真实交互数据。预训练靠底层打底，落地新场景靠顶层缩短时间。
这个金字塔现在发生的变化是——底层被撑爆了，顶层没变厚。
底层越便宜，顶层越显眼。策略最后那一点精度，只能从动作和结果的真实对应里来，别的东西替代不了。
行业里两边的立场，其实都摆在这儿了。宇树的王兴兴一直讲，得有海量真人数据或互联网数据做预训练，再加一部分真机数据去做物理对齐。腾讯的张正友更直接，说真实交互里的失败数据有飞轮效应，仿真和第一人称视频只能当补充。
另一边，跨维智能的贾奎不认这个账。他的理由很实在：如果成本里始终背着采集和调试，商业上根本不成立，必须走生成式仿真和合成数据。
我不想替哪边站台。只想指出一个被忽略的变化：这场争论里，"合成数据"这四个字指的东西，上个月和这个月已经不一样了。 上个月它主要指数值仿真，这个月它开始指生成出来的画面。前者能带动作标签，后者不能。把两样东西放在一起争，争不出结果。
真机数据采回来，也不一定能用。香港大学的罗平提到，他们采真实药剂师干活的数据，任务够真实，但人作业时不是冲着采集去的，"质量差到离谱"。极佳视界的朱政说，一些跟地方合作的数采项目，大约 90% 的数据被浪费掉了。
顶层的稀缺，不只是采得少，还是采得不对。
七、不是它不行，是验证还没发生
谷歌自己的态度其实相当克制。官方博客列了一串在研的方向：复杂物理交互、实时音频准确性、画面里可读的文字、空间精度、长期一致性。模型页还补了一句：目前无法完全准确地模拟真实地点。
时长这件事，尤其值得看一眼。上一代 Genie 3 的模型页写着：支持几分钟连续交互，而不是数小时。Genie 4 的模型页写着：支持几分钟连续交互，而不是长会话。 两句话之间隔了 448 天。
斯坦福大学以人为本人工智能研究院今年 7 月发过一份世界模型的治理议程，里面有一句话很重：目前没有任何一个评测基准，能让政策制定者有依据判断，某个世界模型能不能用在安全关键的部署上。
当模拟环境要替真实环境做训练依据，"够不够像"这件事，现在没人量得出。
连做世界模型起家的 World Labs，谈到同类工作时也承认：大多局限在高度受限的实验室设置里，物体种类窄，任务跨度短，没有一个在真实部署需要的复杂度、变化度和时长上被验证过。
所以准确的说法不是"这东西没用"，是它的验证还没发生。这是两回事。
对国内做具身的团队，落到手上的话很朴素：数采不能停，生成的东西当增广和预演用，别当训练依据用。生成得越容易，筛选就越重要——十万段没有动作对应关系的视频，不如一小撮能验证的轨迹。
至于谷歌自己，它一点不着急。它手里同时有推理模型、世界模型，还有 Gemini Robotics 和 Apptronik。这套东西首先不是拿来卖的，是先给自家机器人配的产能。
这条赛道真正的门槛，最后多半不在模型，在车队。谁有大规模撒出去的机器人，谁手里才有别人爬不走的动作数据。世界模型解决的是场景的多样性，解决不了这一层。
写在最后
再说回厨房。
一个台面 85 厘米、抽屉有点涩、冰箱门朝左开的厨房，现在一句话就能有。要一万个，也就一万句话。
但机器人要学会在这个厨房里把抽屉拉开，它还是得站在一个真的抽屉前面，伸手，握住把手，感觉到那股涩劲，然后多用一点力。
那一下多用多少力，画面上看不出来，字幕里也写不出来。
这件事，目前只有真厨房知道。
参考资料
1Google DeepMind 官方博客，Genie 4: A new generation of world simulation，2026 年 10 月 27 日。<https://deepmind.google/blog/genie-4-a-new-generation-of-world-simulation/>
2Google DeepMind，Genie 4 模型页"Understanding current limitations"一节；Genie 3 模型页对应一节（两代口径比对）。
3TechCrunch 关于 Genie 4 发布及 Kulkarni"混合世界模型"表述的报道，2026 年 10 月 27 日（经凤凰科技转述）。
4机器之心，游戏引擎已死？谷歌 Genie 4 刚刚发布，实时操控整个世界，2026 年 10 月 28 日。
5NVIDIA Cosmos 3 模型家族公开材料；Cosmos Policy 研究（LIBERO、RoboCasa 仿真基准结果）；Cosmos Transfer 2.5 真机增广实验。
6虎嗅，智元、PI、Sunday 坐到一桌，具身差的一万倍数据怎么补？——2026 世界人工智能大会具身智能圆桌整理（马也骋、张正友、任至意等发言）。
7央广网，外滩大会追问具身智能：数据越多越聪明吗？，2026 年 9 月 12 日（罗平、朱政、沈宇军、杨言超等发言）。
8网易科技，从"想象未来"到"弯腰干活"，世界模型还不行？（跨维智能贾奎、宇树王兴兴口径）。
9斯坦福大学以人为本人工智能研究院（Stanford HAI），世界模型治理议程，2026 年 7 月。
—— END ——
（都看到这里了，还不关注我们吗 ？可以持续获得AI时代的生存指南哦 ↓）
往期回顾：
1. 全球最大IPO：半年赚163亿，欠6800亿
2. 他打算把模型卖给 DeepSeek，四天后，DeepSeek 投了他
3. 19条举措，三个“不能”：中央文件给新质生产力划边界
4. Figure的机器人走进30个陌生家庭，56%的家务它自己干完了
5. 华为说 Token 十年涨 10 万倍，成本每年降一半
本文由公众号原创 · 转载请注明出处