10月28日消息，据外电报道，谷歌 DeepMind 于周二发布全新世界模型 Genie 4，开启研究预览版本。这款最新模型能够生成目前拟真度最高、可交互的虚拟世界，用户可以在模拟运行的过程中输入提示词，实时修改场景。模型还能同步生成和虚拟世界匹配的实时音频，包含背景音乐、环境音以及交互式对话。

就在 Genie 4 发布的数月前，AI 视频初创公司 Runway 推出第二款世界模型 GWM Worlds 2。该模型支持交互游玩，可响应用户操作并同步生成音频。与此同时，世界模型赛道开始迎来行业整合：李飞飞创立的 World Labs 将被 AMD 收购；亚马逊正洽谈收购 Decart；Rivian 刚刚收购 Third Dimension，自研仿真工具用于自动驾驶测试。

推出 Genie 4，是谷歌在竞争激烈的赛道中巩固领先地位的最新动作。

(相关资料图)

一年多前，谷歌就以研究预览形式上线了前代模型 Genie 3。相比前代，Genie 4 画面拟真度大幅提升，新增音频能力，还支持自由编辑：比如实时切换天气、调整镜头角度，或是在场景里新增人物、物品。它最长可以维持两分钟连贯统一的场景画面，时长是 Genie 3 的两倍；物理仿真效果更强，虚拟人物也更加拟人。

谷歌大模型 Gemini 和 Genie 4 实现了更深层的联动：Gemini 充当 “导演”，负责规划步骤、校验画面，Genie 4 则负责生成视觉内容。在一项和 Gemini Robotics 相关的研究实验中，Gemini 4 Argon 模型把任务拆解成分步指令，交由 Genie 4 实时仿真。该实验证明，未来可以先在虚拟仿真环境里测试机器人方案，再落地到现实世界。

谷歌研究总监特贾斯・库尔卡尼在简报会上表示：“未来我们会越来越多地看到这类混合式世界模型：Gemini 负责编写代码、生成文本，Genie 实时读取这些指令，在不同抽象层级上仿真现实世界。”

和其他世界模型类似，它的商业化方向包括游戏、交互式教学以及机器人研发。交互式学习的一个设想场景：用户进入一幅描绘历史事件的画作当中，和画中人物对话，了解这段历史。

而首批受邀测试谷歌前沿产品的 “可信测试用户”，挖掘出了一个全新潜在用途：电影前期样片快速原型制作。

谷歌 DeepMind 工程师迭戈・里瓦斯在发布会中提到：“实时渲染的价值，在需要保持创作连贯性的场景里尤为突出。比如创意构思阶段、分镜脚本阶段 —— 所有需要快速迸发创意的环节，它都能派上用场。”

谷歌另有 AI 视频生成模型 Veo，可以根据文本、图片或视频指令生成高清短片，并自动配上同步音频，目前已经受到不少影视创作者欢迎。

里瓦斯补充说，未来用户可以依托多模态大模型 Gemini Omni（支持根据图片、音频、文字生成视频），把这些仿真原型转化为正式的创作素材，不过这套完整能力距离落地还有一段时间。

在整场简报中，里瓦斯反复强调 Genie 4 仍处在早期研发阶段，最终完整产品形态还没有确定。团队也坦言模型尚存短板：仿真时间越长，画面细节、物体就越容易出现畸变偏移；同时，如何保证音频准确、场景内文字清晰可读，依旧是待攻克的难题。

目前 Genie 4 仅面向可信测试者开放研究预览。未来几周内，该模型将逐步开放给 Google AI Ultra 订阅用户（在 Project Genie 工具内使用，Project Genie 是谷歌用于图文生成交互式世界的 AI 工具），以及 Gemini API、Google AI Studio 的早期合作开发者。