谷歌 Genie 4：世界模型第一次会说话，也能边跑边改

事件经过

Genie 4 是 DeepMind 世界模型系列的第四代。前一代 Genie 3 在 2025 年进入研究预览，支持实时导航与事件触发，场景连贯约一分钟；Genie 4 把这个数字推到约两分钟，同时补上前一代没有的原生音频。2026 年 1 月，Project Genie 把这类模型做成面向更广用户的网页原型，Genie 4 的后续开放也将经由 Project Genie 落地。

这次更新由四项能力组成。运行中的世界可用自然语言实时改写：天气、镜头、新人物或新物体都可在模拟继续时加入，Gemini 按周围场景适配提示，并在两次输入之间持续引导场景保持连贯。物理与人物方面，模型模拟空气动力学、碰撞等物理过程，人物移动更自然且可实时引导，DeepMind 称人物模拟是这次跨度最大的一处。音频方面，Genie 4 是 DeepMind 首个原生生成音频的实时世界模型，风声、海浪与角色对话随输入与事件实时变化，不再是事后配音。

引导回路由 Gemini 3.8 Flash 担任：它在回路内观察场景、把目标拆解为步骤、逐帧检查进度，计划随场景变化调整；Gemini Omni 则锚定模拟中的外观与行为。DeepMind 演示了 Gemini 4 Argon 与 Genie 4 结合，模拟 Apptronik 的 Apollo 人形机器人下一盘跳棋：Argon 拆解任务步骤，步骤以文字说明的形式交错送入 Genie 4，模拟随任务推进调整。

开放分三步：研究预览先给受任测试者，随后为 Project Genie 的 Google AI Ultra 订阅者与 Gemini API、Google AI Studio 早期合作伙伴，Project Genie 已开放候补名单。DeepMind 称，受任测试者来自创意、新闻、教育、游戏与工程五个领域。

各方表态

DeepMind 博客作者 Raia Hadsell、Diego Rivas 与 Hang Qi 写道，理解并模拟世界是构建通用人工智能的关键一环；Genie 4 的目标是做出可用于机器人与智能体训练环境、以及新型交互体验的安全可变模拟。

测试者一线的用法来自 DeepMind 的测试者总结：创意方向把 Genie 4 当作预演草稿模式，在模拟中连续拍多个镜头；历史场景方向测试单张二维档案照片生成环境模拟；游戏方向测试从想法到可探索原型的秒级跨越；企业方向评估快速场景生成，并指出需要补齐的缺口。

DeepMind 在博客中同时列出限制：Genie 4 仍是早期实验模型，长时间运行、多轮复杂编辑或穿越场景后，视觉细节与物体恒常性可能漂移，复杂物理交互、实时音频准确度、清晰文字渲染与空间准确度仍在研究中。下一步方向是混合世界模型：Gemini 在后台规划结构与叙事时间线，Genie 逐像素生成眼前的物理现实。

独立报道在两项关键数字上与官方博客一致：Silicon Report 与 Skimwire 的报道均写到，场景连贯约两分钟，为 Genie 3 的一倍；开放节奏为研究预览先行，随后轮到 Ultra 订阅者与 API 早期合作伙伴。两家报道均把原生音频与实时改写列为这次的主要变化。

关键事实

1. 发布：谷歌 DeepMind 10 月 27 日在官方博客宣布 Genie 4，作者为 Raia Hadsell、Diego Rivas 与 Hang Qi；研究预览先向受任测试者开放。
2. 形态：实时互动模拟世界，音乐、环境音与交互对话和画面同步生成，不是先渲染再配音的视频片段。
3. 实时改写：运行中的世界可用自然语言改写天气、镜头、物体与人物，Gemini 按场景适配提示并持续引导。
4. 引导回路：Gemini 3.8 Flash 在回路内观察场景、拆解目标、逐帧检查进度；Gemini Omni 锚定外观与行为；演示包括 Gemini 4 Argon 与 Genie 4 模拟 Apollo 人形机器人下跳棋。
5. 场景时长：场景连贯约两分钟，为 Genie 3 约一分钟的一倍；数字来自发布当日独立报道，官方博客称短时会话内保持连贯。
6. 开放节奏：研究预览之后为 Project Genie 的 Google AI Ultra 订阅者与 Gemini API、Google AI Studio 早期合作伙伴，候补名单已开放。
7. 水印与限制：全部生成视频与音频带 SynthID 水印；长时间运行后细节与物体恒常性可能漂移，复杂物理交互、实时音频准确度、清晰文字渲染与空间准确度仍在研究中。