10 月 27 日,谷歌 DeepMind 在官方博客发布 Genie 4 的研究预览,署名作者为 Raia Hadsell、Diego Rivas 和 Hang Qi。这是 Genie 系列的新一代模型,前代 Genie 3 发布于 2025 年 8 月。目前只向受信任的测试者开放,之后将进入 Project Genie 的 Google AI Ultra 订阅者,以及 Gemini API 和 Google AI Studio 的早期合作伙伴。
真正的变化不在画面,而在声音。DeepMind 在原文里写明,Genie 4 是他们首个原生生成音频的实时世界模型(官方博客):环境音、背景音乐和可交互对话与画面同时生成。财联社的报道用了同样的定性,称它是该系列首款能同步生成声音和画面的产品(财联社报道)。网易科技还提到,这些对白并非提前配好、反复播放的固定台词,用户中途改变情节,人物也能顺着新情况接话;物理层面则覆盖空气动力学、碰撞等场景,人物动作可以被实时操控。
推理在 Gemini,渲染在 Genie
Genie 4 并不是一个单模型。它把两个家族拼在一起:Gemini Omni 负责把模拟锚定在真实世界的外观与行为上,其他 Gemini 模型负责维持场景的连贯与连续性;真正在回路里当引导代理的是 Gemini 3.8 Flash——它持续观察传入的画面,理解用户目标,把目标拆成步骤序列,再回头核查每一步是否完成。财联社提到,团队其实试过 Argon,但实际驱动实时体验的是较轻量的 Gemini 3.8 Flash。
DeepMind 把这条路线称为混合世界模型:代码与语言模型负责逻辑和结构化推理,像素级模拟负责感官的丰富表征。另有一组实验用 Gemini 4 Argon、Genie 4 和 Gemini Robotics 组合,让 Apptronik 的 Apollo 人形机器人在虚拟棋盘上下棋——那是模拟,不是实体机器人真的学会了下棋。
两分钟的天花板
最该记住的数字是时长。财联社报道,模拟环境最长可运行两分钟,约为上一代 Genie 3 的两倍;网易科技援引 TechCrunch 的说法同样是单次模拟约两分钟,该报道并指出今年 1 月上线的 Project Genie 原型每次生成最多 60 秒(网易科技报道)。
但两分钟不等于两分钟的一致。据财联社,DeepMind 研究工程师 Hang Qi 表示,即便模型能够运行至两分钟的上限,也不意味着场景在整个过程中都能保持完全一致;研究总监 Tejas Kulkarni 则说,要让虚拟世界完全保持一致,即使仅仅维持两分钟,也需要模型真正理解日常世界的物理规律。产品经理 Diego Rivas 的表述更直接:两分钟能做到的事情终究有限,团队仍处于研究探索阶段,还没有真正进入最终产品的开发阶段。官方列出的待解清单还包括视觉细节与物体恒存会随时间漂移、实时音频准确度、空间准确性。生成的音视频全部带 SynthID 隐形水印。
预演、原型与训练环境
受邀测试者的用法集中在四处:电影创作者把它当拍摄预演,同一场戏换机位、改台词即时试;摄影记者把一张 2D 档案照片变成可探索场景,用来推演山洪或山火,但补出的画外细节不能被当成历史事实;游戏开发者先用自然语言探索风格与玩法原型,再决定写不写引擎代码;企业伙伴拿它做从零到一的场景生成,谷歌自己的机器人研究也拿它当训练环境。据网易科技,皮查伊在发布帖中把 Genie 4 称为谷歌迄今最逼真、互动性最强的世界模型;同一篇还提到今年 1 月 Project Genie 原型上线后,Unity、Roblox、Take-Two 等游戏股一度下跌。
我的判断:这一步的分水岭不是画面更真,而是官方第一次把推理和渲染摆成两个可替换的部件,世界模型由此更像一份接口约定而不是一件成品。也正因如此,两分钟这个天花板比任何演示都更值得记住:它现在仍是研究预览,离能替代引擎的完整产品还很远。等混合架构真的成为标准,你要买的是推理那一层还是渲染那一层,才是下一个真问题。