DeepMind 釋出 Genie 4：可即時互動並原生生成聲音的世界模型

想像一下，你隨便敲幾句提示詞，一個能用鍵盤跑來跑去的 3D 虛擬世界立刻出現在螢幕上。更神的是，樹葉有風聲，海灘有浪花，迎面走來的路人還能張口跟你搭話。

這就是 Google DeepMind 在 10 月 27 日拿出的新東西：世界模擬模型 Genie 4。一年前它釋出 Genie 3 時，大家還在驚歎畫素級生成的場景居然能玩；到了第四代，DeepMind 直接把原生多模態音訊塞了進去。

鍵盤能走，張嘴能聊，還能隨時「改劇本」

以往的世界模型大多隻能悶頭吐畫面，但 Genie 4 是首個原生支援同步音訊的即時模型。環境裡的風聲、背景音樂，甚至是遊戲角色的即時對話，都是跟著畫面一起直接算出來的。

操作起來也很簡單。你可以直接用鍵盤的 WASD 鍵或者方向鍵控制角色移動、轉動鏡頭。玩到一半覺得不過癮，隨手打一行字，比如「突然開始下暴雨」或者「前面出現一個戴帽子的路人」，場景就會在保持連貫的前提下直接順著你的意思改變。

這背後其實是兩套系統的緊密配合。視覺部分由 Gemini Omni 提供真實世界的外觀與物理規律，比如空氣動力學碰撞；而在幕後，Gemini 3.8 Flash 或 Gemini 4 Argon 像個執行導演，一邊盯著即時畫面，一邊拆解多步驟任務。

在 DeepMind 展示的一個演示裡，完全由畫素虛擬出來的 Apptronik Apollo 機器人正和人類坐在桌前下跳棋。場景是虛構的，但棋局完全符合邏輯，因為 Gemini 4 Argon 正在左側即時推理每一步走法，再指引 Genie 4 把動作渲染出來。

目前 Genie 4 的穩定互動時長能維持兩分鐘左右，比上一代直接翻了一倍。

畫質驚豔，但它依然是個「半成品」

雖然演示讓人眼前一亮，但 DeepMind 自己也承認，模型現在還在很早期的實驗階段。

最明顯的問題是時間一長就容易「穿幫」。當模擬執行超過一兩分鐘，或者經過多次複雜的文字編輯後，場景裡的細節和物體永久性（比如回頭看剛才走過的路）就會出現漂移。文字渲染不清晰、精細物理碰撞失真、以及音訊準確度，目前都還在攻關中。

為了防範濫用，Genie 4 生成的所有影片和音訊都預設嵌入了 Google 的 SynthID 數字水印。目前它只對受信任的測試者開放，後續才會進入 Project Genie 供 Google AI Ultra 訂閱使用者以及 Gemini API 早期合作伙伴嚐鮮。

為什麼重要

世界模型這條賽道最近熱鬧得有點異常。Runway 兩個月前剛推出帶音訊的 GWM Worlds 2，李飛飛創立的 World Labs 被 AMD 收購，亞馬遜在傳接洽 Decart，Rivian 甚至直接把 Third Dimension 買回去做自動駕駛模擬。各家都在搶奪下一代模擬世界的技術話語權。

DeepMind 這一步走得相當聰明。很多團隊還在死磕單純的影片擴散模型，而 Google 選擇把大語言模型的邏輯推理和底層畫素渲染做成「混合世界模型」。說白了，讓擅長邏輯的 Gemini 負責因果規則，讓擅長視覺的 Genie 負責生成感知，這比單靠視覺模型去碰運氣猜物理規律要靠譜得多。

對普通創作者來說，這玩意兒短期內可能還做不出一款完整的 3A 遊戲，但它很快會顛覆前期的概念設計和影視預演。電影導演不用再等特效團隊搭簡陋的灰模，甚至只要一張老照片，就能在一分鐘內走進動態現場走位挑角度。

不過門檻依然擺在那裡。最高規格的訂閱費用、深不見底的算力開銷，再加上時長漂移問題，意味著它離真正落地的工具鏈還有一段距離。但毫無疑問，AI 生成內容正在從「靜態看個樂」，徹底轉向「能走進去互動」的新階段。