谷歌 DeepMind 于周二发布其最新世界模型 Genie 4 的研究预览版。该模型可生成迄今最逼真、最具互动性的世界，允许用户在模拟过程中输入提示词来改变场景。模型还能生成与模拟世界相匹配的实时音频，包括音乐、环境噪声和互动对话。
此次发布距离 AI 视频初创公司 Runway 推出其第二款世界模型 GWM Worlds 2 仅过去几个月。GWM Worlds 2 是一款可玩模型，能动态响应用户输入，并包含音频生成功能。与此同时，世界模型行业开始整合：李飞飞的 World Labs 正被 AMD 收购，亚马逊正洽谈收购 Decart，Rivian 则刚刚收购 Third Dimension，将模拟能力引入内部用于自动驾驶测试。
Genie 4 是谷歌在拥挤赛道中保持领先的最新举措。
谷歌在一年多前以研究预览形式发布了前代模型 Genie 3。除了逼真度大幅提升并加入音频外，Genie 4 还支持自由形式编辑，例如实时改变天气或摄像机角度，或添加新的人物或物体。它可将一致场景维持最长两分钟，是前代上限的两倍，并提供更好的物理效果和更像人类的角色。
谷歌的 AI 模型 Gemini 也与 Genie 4 更紧密集成，充当“导演”：规划步骤并检查画面，而 Genie 负责生成视觉内容。在与 Gemini Robotics 相关的一项研究实验中，一个 Gemini 4 Argon 模型将任务拆解为多个步骤，由 Genie 4 实时模拟。该实验展示了一种可能路径：在真实世界发生之前，先在模拟中测试机器人场景。
谷歌研究总监 Tejas Kulkarni 在简报会上表示：“未来我们会越来越多地看到这类混合式世界模型：Gemini 编写代码和文本，Genie 实时接收这些内容，并在不同抽象层级上模拟现实。”
与其他世界模型一样，其宣传的商业用例包括游戏、互动学习和机器人。互动学习的一个推测性例子是：进入一幅历史场景画作，并与画中人物就所描绘的事件聊天。
但“可信测试者”——即首批获得谷歌尖端产品访问权限的人——指出了一种可能的新用途：电影原型制作。
谷歌 DeepMind 工程师 Diego Rivas 在新闻简报会上表示：“实时性在那些保持创作心流状态极为有用的领域最有价值。例如，在构思阶段、故事板阶段——任何时候只要你需要快速产生想法。”
谷歌还提供 AI 视频生成模型 Veo，可根据文本、图像或视频提示生成内置同步音频的高清片段——这一工具在电影制作人中越来越受欢迎。
Rivas 补充说，用户最终可能依赖 Gemini Omni——一种可根据图像、音频和文本生成视频的多模态大语言模型——将这些原型转化为创意资产。不过他表示，这些能力仍有一段距离。
在整个简报会中，Rivas 强调 Genie 4 仍处于早期阶段，端到端产品体验将会是什么样尚不明确。团队也承认 Genie 4 仍有不足：模拟运行时间越长，细节和物体可能发生漂移；他们仍未完全弄清楚如何确保音频准确，以及世界内文字清晰可读。
