谷歌发布Genie 4：可交互世界模型，单次生成最长2分钟

AI生成的交互体验正在突破传统视频的范畴，向可探索、可互动的世界模型迈进。据行业观察，某科技公司最新推出的Genie4，正将这一前沿构想落地。

当地时间10月27日，该公司正式推出这款新一代世界模型，称其为“迄今为止最逼真、交互性最强的世界模型”。相比此前的Genie3，新模型实现了多方面关键升级：引入原生音频生成、自然语言实时操控、复杂物理与人物行为模拟，并借助Gemini系列模型实现多步骤事件推演。

在官方演示中，用户可通过键盘控制导航与镜头，用文字指令实时调整场景——比如在草地上添加一条粉红色绸缎，或是将镜头移至南极冰原上空的热气球篮筐，场景会即时响应，角色也会根据新设定持续行动。

这套能力的背后是Gemini系列模型的协作：Gemini Omni负责让画面贴近现实世界的外观与行为，其他Gemini模型则承担指令翻译、复杂事件规划、画面观察与进度跟踪的工作，当用户修改指令时，Gemini会现场调整方案。另一组演示中，Gemini4 Argon还能指挥Genie4，一步步模拟人形机器人下跳棋的完整过程。

目前，Genie4已面向少量受信任的测试者开放研究预览，后续将逐步提供给相关订阅用户及早期合作伙伴。参数方面，Genie4单次生成的交互体验最长可达2分钟，而Genie3的时长上限为1分钟。这个看似微小的提升，对游戏开发者验证玩法原型、影视主创预览镜头调度来说，已能覆盖基础测试需求。

此次Genie4的能力升级主要体现在四个维度：实时改变世界、物理与人物行为模拟、原生声音生成，以及结合Gemini的复杂事件推演。

首先，用户无需提前设计完整场景，可在生成过程中随时调整世界。比如一组演示里，一名穿棕色西装的萨克斯演奏者站在湖面中央的漂浮平台上，周围是雾气弥漫的森林、流动的湖水与散发暖光的球体。人物持续演奏，手指、呼吸与身体摆动自然衔接，摄像机可独立移动，自由探索场景的同时，维持人物、物体与环境的空间关系。用户还能通过键盘控制移动与视角，用文字指令实时修改天气、添加新人物或物体，Gemini会根据当前环境理解要求，并在用户停止输入时协助维持场景发展。

其次，物体不再只是画面装饰，人物与环境呈现出更复杂的运动规律。演示案例中，完整西瓜置于石台，枫树种子旋转着落入草地；还有日本乡村火车站的场景，乘客在站台上行走、候车，与环境构成动态画面。该模型提升了对空气动力学、碰撞等物理现象的模拟能力，尤其在人物动作上取得明显进展——可生成更自然的人体运动，让角色根据环境反应并接受实时操控。不过，这种物理模拟是基于学习到的世界规律生成结果，并非所有物理过程都经过精确计算。

第三，Genie4让AI世界首次具备原生生成的声音。演示中，用户骑在龙背上穿越山脉，周围是其他骑手，不仅能看到山峰与城堡，还能听到巨龙振翅的轰鸣、高空气流的呼啸，以及远处火山的活动声——这些声音并非后期添加，而是由Genie4直接生成。更进一步，模型还能实时生成人物对话，场景中的角色可根据用户输入或世界事件作出语言回应，而非重复预先准备的台词。这对虚拟角色、互动叙事及游戏开发而言意义重大，开发者无需写死每句台词，而是可创建能随情境变化持续产生行为与对话的模拟人物。

开发者Justine Moore（同时也是某投资机构合伙人）生成的演示视频，展示了更复杂的实时游戏世界：从一条提示词生成环境与角色，再用指令改变事件。视频里，穿潜水服的角色在洞穴探索，脚下有金币与木桶，屏幕上方有修改提示，右侧帧率显示平均23.8FPS。Justine Moore表示，她提前获得了Genie4的访问权限，创建世界的速度通常不到30秒，实时交互窗口约2分钟，用户可通过键盘鼠标移动，用自然语言修改世界，Gemini系列模型会处理指令并保证场景连贯。

此外，Gemini4 Argon会将任务拆解为多个步骤，再通过文字指令引导Genie4逐步执行，模拟推进中还能调整后续步骤——相当于擅长推理规划的模型，指挥擅长实时生成环境的模型协作。

从技术角度看，该公司正解决世界模型的两大核心难题：如何让模拟环境随用户操作实时变化，以及如何让连续事件保持逻辑一致。这背后是“双大脑”架构：Gemini负责思考，Genie负责生成物理世界。

要理解这一变化，需区分世界模型与普通视频模型：传统视频生成模型根据文本、图像等条件，生成一段时间内相对确定的影像；而世界模型需回答更复杂的问题——比如用户向左走，视野会如何变化？有人推倒桌上物体，接下来会怎样？角色离开又返回，环境是否保持不变？

这种能力涉及两个关键概念：动作条件生成（下一帧不仅要根据上一帧预测，还要考虑用户操作）与世界状态一致性（模型需记住已生成的环境，避免人物、物体或空间关系无故变化）。

2025年发布的Genie3已实现每秒24帧、720p分辨率的实时交互生成，支持数分钟环境模拟，采用逐帧自回归生成方式，根据之前的画面与用户操作持续生成后续内容。但这也带来挑战：生成时间越长，需参考的历史信息越多，误差可能不断积累——比如用户一分钟前经过的建筑，重新返回时需保持外观与位置不变。

Genie4延续实时世界生成方向，最突出的变化是引入Gemini系列模型参与模拟过程，整个系统至少涉及三层能力：第一层由Genie4负责实时生成视觉、声音与动态环境，根据当前世界状态及输入持续生成新内容；第二层由Gemini Omni强化模拟世界与现实规律的联系，为模拟提供现实世界的外观与行为基础；第三层（也是此次重要突破）由Gemini3.8 Flash担任实时指导智能体，当Genie4持续生成环境时，它会不断观察场景，将复杂目标拆解为多个步骤，检查新生成画面以判断步骤是否完成，用户介入或世界状态变化时，Gemini可重新调整计划。

这套机制的核心是将大模型的语言推理能力引入动态环境生成——过去的世界模型即使能生成逼真动作，也不一定保证动作间的任务逻辑，而Gemini的规划、检查与调整，让系统更易维持复杂事件的连贯性。

该公司还在探索“混合世界模型”路线，结合代码与语言模型的结构化推理能力，以及像素级生成模型的丰富感官模拟能力。

在应用层面，Genie4主要体现在两个方向：一是作为低成本试错的内容创作工具，比如游戏开发者无需提前编写物理与渲染代码，30秒即可测试玩法原型与美术材质；影视导演可实时进入动态场景，快速比选运镜与灯光调度。二是作为具身智能的训练平台，现实中训练机器人成本高、易损硬件，传统物理仿真又受限于人工环境搭建，而世界模型可自动化生成无限工况，为机器人低成本试错提供支撑。