谷歌Genie 4：用文字实时操控、能发声的虚拟世界

Genie 4 是 Google DeepMind 推出的新一代世界模型，它构建的世界终于有了声音。你可以用一句话描述场景，也可以交给它一张参考图片，模型便会生成一个能用键盘操控、供你四处行走的空间，同时播放林间风声、海滩浪声，以及身边人们的交谈声。如今，这些角色还能根据你的行动作出反应、与你对话。DeepMind 称，这是此次发布真正的突破所在。

对于体验过早期版本的人来说，最大的变化是操控方式。你可以输入指令改变天气、转动镜头，或在场景中加入新人物或物体；Gemini 会改写你的要求，让它与当前画面自然衔接。在你发出指令的间隙，Gemini 会继续引导模拟过程，避免整个世界崩塌。这种体验与其说是在玩电子游戏，不如说是在指挥一个永不停机的电影片场——一些早期测试者已经开始这样使用它。

Gemini 负责规划场景，Genie 负责绘制世界

Genie 4 借助了 Google 模型家族中的其他成员。根据 DeepMind 的公告，Gemini Omni 为每场模拟奠定贴近现实的外观与行为基础，其他 Gemini 模型则负责推理，让场景在不断变化的过程中保持连贯。Gemini 3.8 Flash 会作为引导代理参与其中：它一边观察 Genie 4 绘制的世界，一边把目标拆解成多个步骤；随后检查收到的画面，确认每一步是否奏效，并在你打断流程时调整计划。

DeepMind 表示，最大的飞跃体现在人物身上。角色的动作更加自然，会对周围环境作出反应，也能在模拟过程中接受操控；模型还能处理空气动力学、碰撞等物理现象。公司博客中的演示包括一颗枫树种子旋转着落入草地、一座 20 世纪 80 年代日本乡间的拥挤火车站，以及一场第一人称视角的飞龙竞速，伴随着雷鸣般的振翅声——所有声音都由 Genie 4 自行生成。Genie 3 生成的是无声世界，分辨率为 720p、帧率为每秒 24 帧；这一次，DeepMind 没有公布分辨率或帧率数据，因此只能根据官方片段判断效果是否提升。

游戏并非唯一的应用方向。DeepMind 表示，模拟世界是迈向通用人工智能的关键一步。在一段演示中，Genie 4 与 Gemini 4 Argon 搭配使用，模拟 Apptronik 的人形机器人 Apollo 下跳棋。Argon 将任务拆解成多个步骤，再以文字说明的形式逐条输入 Genie 4，同时由后者生成场景。长期来看，这项技术面向的商业用途，是为机器人和软件代理打造安全、变化无穷的练习环境——远早于有人出售 Genie 游戏。

电影人和摄影记者率先体验

DeepMind 一直在与创意产业、新闻、教育、游戏和工程领域的团体合作测试 Genie 4。电影人把它当作预演草稿工具，走进实时生成的场景，在调整机位、灯光、对白和动作的同时，反复拍摄不同版本。游戏开发者只需几秒钟，就能把一个点子变成可供探索的原型，不必先写一行引擎代码。企业合作伙伴则在尝试用它快速生成不同情境。

最需要谨慎对待的一项测试涉及摄影记者：他们正在试验，能否在几秒钟内把一张档案照片变成对应地点的模拟场景，让场景里的人物活动起来。DeepMind 还提到，可以借此呈现山洪暴发或野火蔓延的过程。让人信服地漫步于一条真实的历史街道，看着虚构人物在其中交谈，同样也能制造出足以乱真的假象。DeepMind 给出的应对方案是 SynthID——它会在 Genie 4 生成的所有视频和音频中嵌入不可见水印；此外还有内部安全评估，以及循序渐进的发布安排。只有平台和观众确实使用检测工具时，SynthID 才能发挥作用；而对普通观众来说，画面本身并不会提示他们看到的是合成内容。

生成的世界仍会发生漂移

DeepMind 对技术局限的说明相当坦诚。Genie 4 能在较短时间内维持环境的连贯性，但模拟持续越久，视觉细节和物体的持续存在状态就越可能发生变化；复杂地修改几次提示，或在场景中四处走动，也可能引发变化。复杂的物理互动、准确的实时音频、清晰可辨的文字、空间准确性和长期连贯性，都被列为尚未解决的研究问题。简单来说，一分钟前经过的书架，等你转身回去时，可能已经不是原来的那个了。

目前，大多数人还没有机会体验它。Genie 4 仍处于研究预览阶段，仅向受信任的测试者开放。Google 表示，它很快将通过 Project Genie 向 Google AI Ultra 订阅用户开放。Project Genie 是一款用于生成世界的网页应用；此外，Gemini API 和 Google AI Studio 的早期访问合作伙伴也将获得使用权限，目前候补名单已经开放。官方尚未公布发布日期，也没有透露 Ultra 订阅之外的价格——Ultra 是 Google 最贵的 AI 套餐——更未说明哪些国家会率先开放。Project Genie 于 2026 年 1 月 29 日上线时运行的是 Genie 3，当时仅向美国年满 18 岁的 Ultra 订阅用户开放，每次体验最长 60 秒。

DeepMind 于 2026 年 10 月 27 日发布 Genie 4，公告由莱娅·哈德塞尔（Raia Hadsell）、迭戈·里瓦斯（Diego Rivas）和齐航（Hang Qi）署名。这条技术路线始于 2024 年 2 月：当时的模型能把图像变成简单的 2D 平台游戏；随后，Genie 2 于 2024 年 12 月迈入 3D，Genie 3 又在 2025 年 8 月实现了实时探索。每一代都增添了新的能力：先是第三维度，接着是实时移动，如今则加入了声音和语音。Genie 4 仍需证明的是，一个世界能否记住自己的模样，而且记得比喝完一杯咖啡的时间更久。

标签: 人工智能, Gemini, Google DeepMind, 谷歌, Genie 4, Project Genie