谷歌Genie 4世界模型发布：能走进去的AI世界来了，720p实时交互只是起点

—

由

看AI生成的视频，你只能隔着屏幕看。谷歌DeepMind在10月27日发布的Genie 4，把这个边界拆掉了：AI实时生成一个虚拟世界，你用键盘就能走进去逛街、转弯、抬头看天。

从”看视频”到”进世界”

Genie 4是DeepMind世界模型系列的第四代。你用一句话描述场景，模型就实时生成一个可探索的3D世界，720p分辨率、24帧每秒。想改天气？打字说”下雨吧”，天空立刻变化。想加个路人？一句话的事。

关键差别在于：这个世界没有预设地图。画面是逐帧实时生成的，你走到哪，模型算到哪。转过头，背后的画面会重新生成——江湖、小巷、人群，全都是模型”编”出来的。

上一代Genie 3在2025年8月实现了实时交互生成，但只能生成画面。Genie 4补上了两块短板：原生音频和人物对话。

DeepMind官方列了四项核心能力：

实时编辑场景。 自然语言可以直接改动正在运行的世界：换天气、移镜头、插入新人物。Gemini模型会在上下文里理解你的指令，自动匹配周围场景。你不动手时，Gemini也在持续监控，防止画面崩坏。

物理和人物动作更真实。 空气动力学、碰撞、水的流动，这些物理效果都能模拟。最大的突破在人物：Genie 4生成的角色会自然行走、对环境做出反应，还能被实时操控。官方演示里，80年代日本火车站的人群各自忙碌，体检画面已经接近实拍纪录片。

原生音频。 这是DeepMind第一个实时生成声音的世界模型。风声、海浪、物体碰撞音，全都随画面同步出现。砸碎一块玻璃，声音和光影同时到位。

交互对话。 世界里的角色能跟你说话，实时回应你的动作和事件。这意味着你可以和一个虚拟人物讨价还价，他会根据上下文接话。

底座是Gemini家族：Gemini Omni负责把模拟锚定在真实世界的外观和行为上，其他Gemini模型提供复杂推理，维持世界的一致性和连续性。

游戏行业先紧张起来。 未来的游戏可能没有关卡设计师：玩家一句话生成一座废弃城市，进去找线索、躲怪物，每个人的地图都不一样。动视CEO此前已公开说AI会改变游戏开发方式，Genie 4把这种设想推到了台前。

机器人训练场。 DeepMind明确说，Genie 4的核心用途之一是为机器人和Agent生成”安全、无限变化”的训练环境。真实世界里摔坏一台机器人要花钱，模拟世界里摔一万次都不心疼。英伟达的Cosmos、世界模型初创公司Decart都在抢这个市场。

交互内容新形态。 教育场景里重现历史现场，购物场景里先”走进”商品看细节，这些都不需要开发团队，一段提示词就能启动。

Genie 4目前以研究预览版形式向受信测试者开放。DeepMind表示，下一步会先向Google AI Ultra订阅用户的Project Genie，以及Gemini API和Google AI Studio的早期合作伙伴开放，候补名单已经上线。

限制也很明显：单个世界只能持续交互几分钟，时间一长会出现物体漂移、物理异常。一致性维持仍是世界模型的核心难题——你离开房间再回来，房间可能变了样。

Demis Hassabis多次把世界模型称作通往AGI的关键拼图：理解世界，才能模拟世界；能模拟世界，智能体才可能真正学会在世界里行动。Genie 3到Genie 4用了14个月，从无声到有声、从旁观到对话。按这个节奏，普通用户走进AI生成的世界，可能就在明年。