谷歌DeepMind团队于10月27日发布博文，宣布推出Genie 4世界模型，并将其定位为“重大研究里程碑”。该模型在原生音频生成、实时自然语言改写、物理与人物真实感等方面实现核心突破，将世界模型从一次性画面生成升级为可实时操控、可听、可推理的动态模拟环境。谷歌首席执行官桑达尔·皮查伊在个人社交账号上表示，Genie 4是谷歌迄今为止最逼真、最具互动性的世界模型。
Genie 4最受关注的能力在于实时“导演”世界。在模拟运行过程中，用户可通过自然语言文本指令改变世界状态，例如调整天气、移动镜头、加入新角色或物体。与主流AI重新生成一段视频的方式不同，Genie 4会结合当前场景上下文执行动态变化，更接近一个可交互的虚拟沙盒。用户可以设定一个事件，观察世界如何继续演化，并随时介入调整。
在技术层面，Genie 4是DeepMind首个在实时世界模拟中原生生成音频的模型，音频与画面在同一过程中同步产生，而非后期叠加。谷歌方面表示，该模型在空气动力学、碰撞等物理场景上的表现更强，人物动作也更自然，能够根据环境作出有机反应，并支持实时操控。
关于产品架构，谷歌研究总监Tejas Kulkarni在接受科技媒体TechCrunch采访时表示，未来将由Gemini负责文本、代码与任务规划，Genie 4实时把这些内容转化为可交互世界，形成“混合世界模型”。这一分工意味着Gemini承担认知与调度层职能，Genie 4则承担世界模拟与渲染层职能，两者共同构成从指令到可交互环境的完整链路。
DeepMind工程师Diego Rivas同时承认，Genie 4仍处于早期阶段。长时间模拟可能出现细节漂移，音频准确性和画面内文字可读性也尚未完全解决。这些问题指向世界模型在长时一致性上的共性挑战，即模型在持续生成过程中难以保持场景细节的稳定收敛。
开放节奏方面，Genie 4目前仅以研究预览形式向“受信任测试者”开放。未来几周，该模型将扩展至Google AI Ultra订阅用户的Project Genie，以及Gemini API和Google AI Studio的早期合作伙伴。这一路径延续了谷歌近年将研究模型逐步产品化、再通过订阅与API变现的惯常做法。
从行业影响看，世界模型正从视频生成的分支演变为独立的技术品类。Genie 4将实时交互、原生音频与物理仿真整合进同一模型，为游戏开发、机器人训练、自动驾驶仿真等场景提供了新的工具形态。但早期阶段的一致性缺陷与有限的开放范围表明，该技术距离规模化商用仍有距离，其实际表现有待受信任测试者反馈与后续版本迭代验证。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
