谷歌 Genie 4 世界模型：第一次连声音一起生成，一个世界能撑两分钟

从生成视频到生成世界

10月27日，Google DeepMind 发布 Genie 4，官方把它定义为新一代世界模型：不做预渲染，也不写交互逻辑，你给一句提示，它逐帧实时生成一个可以走进去的空间。与前代最大的区别是原生多模态——环境噪声、类音乐的氛围声、以及能对用户行为做出反应的对话，全部由模型在生成画面的同时一起合成。这是 DeepMind 世界模型系列第一次带上声音。

玩法上没有推翻 Genie 3 的框架：键盘控制移动与镜头，提示词随时改写场景。区别在于改写的颗粒度。你可以中途改天气、挪镜头、往画面里塞一个新人物或物体，Gemini 会把你的提示按当前场景重新措辞，再交给 Genie 执行；两次输入之间，Gemini 还会自己盯着画面，判断世界有没有跑偏，把走向往连贯的方向拽。

Gemini 当导演，Genie 当渲染器

这套分工是 Genie 4 的技术骨架。官方说明里，Gemini Omni 负责把模拟锚定在真实世界的外观与行为上，其他 Gemini 模型提供维持连贯性所需的推理；落到实时体验上，真正驱动的是 Gemini 3.8 Flash——团队试过 Gemini 4 Argon，最后选了更轻的主力模型来保证帧率。

效果上的提升可以归成三条：物理更可信，空气动力学与碰撞这类过去容易露馅的环节有明显改善；人物不再那么违和，动作与对环境的反应更自然；一致性窗口从 Genie 3 的约一分钟拉到两分钟。但两分钟也意味着天花板仍在——超过这个长度，世界会忘记开头的样子。

DeepMind 的说法是，理解和模拟世界是通往 AGI 的关键一环，Genie 4 让安全、可无限变化的模拟成为可能，从机器人训练环境到全新的交互体验都靠它。

谁能先用，要花多少钱

目前是研究预览，只开给一小批受信任测试者。接下来的顺序是：先在 Project Genie 里向订阅 Google AI Ultra 的用户开放，该档起价每月 100 美元；再逐步给 Gemini API 与 Google AI Studio 的早期合作伙伴。开发者侧的定价尚未公布。

值得留意的是测试者跑出来的方向。官方原本主推游戏、互动学习与机器人训练，但首批拿到权限的人里，电影与影视原型制作反而更快落地——把一句创意变成一个能走进去看两眼的场景，比做成一段固定镜头视频更接近导演的工作方式。另一个实验来自 Gemini Robotics：让 Gemini 4 Argon 把任务拆成步骤，交给 Genie 4 实时模拟，相当于在真机动手前先在假世界里试错。

竞争也在变密。Runway 的 GWM Worlds 2 已经能玩、能响应输入并带音频；李飞飞的 World Labs 被 AMD 收购，亚马逊在谈 Decart，Rivian 则买下 Third Dimension 把模拟能力搬进自动驾驶测试。Genie 3 去年一露面就让游戏股跌了一轮，Genie 4 补上声音之后，这条赛道从生成正式进入可交互的比拼。