谷歌深夜发布 Genie 4：AI 不再生成视频，开始实时「运行」一个世界

昨晚，Google DeepMind 发布新一代世界模型 Genie 4 的研究预览版，皮查伊给的定义很直接：谷歌迄今最逼真、最具互动性的世界模型。和以往所有视频模型不同的地方在于，它给你的不是一段能看的片子，而是一个能走进去的世界——键盘控制方向，文字随时改剧本。

一句话造世界，还能当场改戏

在官方演示里，你用键盘在场景中走动，用自然语言实时改变世界：让草地多出一条粉色绸缎，把镜头挪到南极冰原上空的热气球里，或者半路塞进一个新角色。场景当场响应，里面的人还会顺着新设定继续演下去。

更大的一步是声音。Genie 4 首次在这个系列里原生生成音频，环境音、背景音乐、角色对白全部同步产出，画面和声音出自同一个模型。演示里有人在湖面平台上吹萨克斯，风声、水声、琴声都从场景里长出来，而不是后期配上去的。角色还能即兴开口聊天：你塞进来的路人会接住突发状况，现场编出台词。

从 1 帧到 2 分钟，两年走了四代

世界模型最硬的指标只有一个：这个世界能连贯地撑多久。Genie 1 还只是每秒约 1 帧的 2D 画面；Genie 2 能生成 3D 世界，但十几二十秒就崩；Genie 3 第一次做到实时交互，撑到约 1 分钟。Genie 4 把这个数字翻倍到约 2 分钟，渲染帧率稳定在 24 帧上下——对游戏开发者验证单段玩法、影视团队预览单组长镜头，这个长度刚好够用。

撑得住的背后是 Gemini 在当「导演」。Gemini Omni 负责锚定世界的真实外观和物理行为，另一批 Gemini 盯着画面拆任务：验证这一步做没做完，规划下一步怎么走，你半路改戏它就当场重排。演示里 Gemini 指挥机器人下跳棋，把动作拆成 22 步毫米级剧本，机器人走得行云流水。

这条赛道上也不止谷歌一家。就在发布前几个月，AI 视频公司 Runway 刚推出第二款世界模型 GWM Worlds 2，同样主打可玩、可交互、带音频。视频模型卷完几秒钟的镜头美感之后，下一站是看谁能造出一个真正能住的世界。

两分钟之外，先别太兴奋

短板也得说清楚。官方自己承认，模拟时间一长，物体可能漂移甚至凭空消失；画面里的文字基本是乱码；复杂物理互动的精度也还差着一截。更关键的是，目前没有任何公开基准，所有惊艳表现都来自官方演示和受邀测试者的第一手记录，暂时无法独立验证。

它真正的用武之地可能不是游戏，而是机器人训练场：在模拟里让机器人摔一万次，成本几乎为零；真机摔一次，就是一台人形机器人 Apollo 的钱。DeepMind 的演示里，机器人就是在 Genie 4 的世界里学下棋的。顺带一提，所有生成内容都带着自家的 SynthID 水印。

对未来的 AI 智能体来说，这样的模拟器同样关键：让程序在一个无限重来的世界里先穷尽各种试错，再放进真实环境，是 DeepMind 给 AGI 画的路线上明确的一环。

想自己上手还得等等：现在只对受邀测试者开放，未来数周轮到 Google AI Ultra 订阅用户，Gemini API 和 AI Studio 的早期合作伙伴随后跟上，排队入口已经挂出，定价只字未提。普通开发者眼下能做的，只有先去占个位。

这篇就到这，有用的话点个「赞」，新朋友关注一下不迷路。