谷歌发布Genie 4世界模型：实时生成有声可交互虚拟世界

谷歌DeepMind正式发布新一代通用世界模型Genie 4，称其为谷歌迄今最逼真、最具互动性的AI世界模型。谷歌CEO劈柴表示，这标志着从“生成一段视频”到“实时运行一个世界”的转变。

Genie 4首次原生生成声音与即兴对话，可同步生成环境音与配乐，角色能根据突发状况即兴交谈。单次连贯世界维持时间翻倍至约2分钟，实机画面稳定在约24帧/秒。借助Gemini Omni锚定现实常识，人物微表情、镜面反射与物理碰撞全面跃升。三大Gemini模型组成“混合世界模型”：Gemini 3.8 Flash在后台监控画面并引导多步推理，Gemini 4 Argon可拆解22步精细动作指挥机器人下跳棋。

演示中，用户通过自然语言可实时修改场景，如改变天气、引入人物或物体、触发爆炸等。沃顿商学院教授Ethan Mollick实测显示，单帧延迟稳定在23.4至25.3 FPS，输入一句描述不到1分钟即可生成城市，还能在Genie 4中运行《毁灭战士》。a16z合伙人Justine Moore等也展示了水下潜行等场景。

谷歌介绍，Genie 4提升了四大关键功能：实时塑造世界模拟，支持自然语言实时修改场景；拓展物理学和人类行为现实边界，逼真模拟空气动力学、碰撞、柔体力学及人物反应；原生生成音频，每个世界拥有自身环境声音；引入实时互动对话，角色可根据输入或事件实时反应。

架构上，Genie 4采用“混合世界模型”，由Gemini 3.8 Flash实时控场并验证步骤，Gemini 4 Argon与Gemini Robotics将任务拆解为高密度指令，驱动机器人完成对弈、移液等精细操作。依靠海量无标签视频预训练加少量动作轨迹微调，结合Gemini的符号逻辑与长程记忆，Genie 4将单次连贯世界维持时间推至约2分钟，构建交互环境不再依赖手工3D建模。

Genie 4已向Google AI Ultra用户开放内测申请，并将作为首款进入Gemini API与Google AI Studio的世界模型向开发者开放。