一句话搭出能玩的虚拟世界：谷歌 Genie 4 把模拟时长翻倍到两分钟

谷歌 DeepMind 在周二通过官网推出新一代 AI 世界模型 Genie 4。它能根据文本指令生成可交互的虚拟环境，官方给它的定位是当前最逼真、交互性最强的世界模型。

世界模型与普通视频生成工具的区别在于“可玩”。今年 1 月，谷歌基于 Genie 3 做过一个 Project Genie 原型，当时直接引发资本市场震动，游戏板块股价一度下行，行业开始讨论这项技术会不会重塑游戏生产流程。

在 AI 竞赛里，谷歌需要正面应对 OpenAI 与 Anthropic 的压力。Gemini 4 Argon 的发布被认为帮助谷歌缩小了差距，而世界模型与多模态能力，一直是它更擅长的主场。

Genie 4 的用法是：写下文字提示，得到一个可以游历的虚拟世界，用键盘在场景里移动；运行过程中还能实时下达指令，调整天气、添加角色。模型单次模拟最长可跑两分钟，是上一代 Genie 3 的两倍。它也是该系列首个实现音画同步生成的版本，能产出环境音效与背景音乐；用户操作引发的对话，也能配上对应的语音。所有输出内容都会嵌入 SynthID 隐形水印，用来标记 AI 生成。

逻辑连贯性交给 Gemini 系列兜底：生成场景时，Gemini 持续解析画面、理解意图并拆解执行步骤，校验任务是否完成。团队测试过 Argon 模型，实际实时交互体验由更轻量的 Gemini 3.8 Flash 驱动。

目前游戏开发者与影视创作者等测试人员，正用它制作可交互的创意原型、搭建场景草图。谷歌也在探索机器人训练方向的可能性，但能否规模落地还没有答案。DeepMind 产品经理 Diego Rivas 表示，公司正联合合作伙伴评估落地的分寸在哪、短板又在哪；按他的说法，重点是拓展能力边界，而不是直接替代现有工作流。

需要强调的是，Genie 4 仍处在实验阶段。模拟时间拉长后，画面细节与物体形态会出现漂移；即便支持两分钟时长，也无法保证全程一致。真正难啃的还有三块：复杂物理交互、可读文字、长时间跨度的稳定性。研究负责人 Tejas Kulkarni 的说法是，要让两分钟的世界完全稳定，模型必须深度理解现实世界的物理规则。

现阶段 Genie 4 以研究预览模式向小范围可信测试人员开放。未来数周，谷歌计划向最高档位的付费订阅用户开放访问，同时给部分开发者提供调用权限。

文章与图片内容转载网络，如有侵权请联系平台删除