谷歌 Genie 4 上线：一句话生成可游玩世界，单次模拟延长到两分钟

谷歌 DeepMind 周二在官网放出了 Genie 4，这是其世界模型产品线的新一代作品。用户输入文字指令，就能得到一个可以走进去、可以操作的虚拟环境。官方把它称作现阶段最真实、可交互程度最高的世界模型。

世界模型和普通视频生成工具不是一回事。视频工具产出的是一段固定画面，世界模型则要即时生成可交互的环境，用户的每个操作都会改变后续画面。今年 1 月，基于 Genie 3 的 Project Genie 原型亮相，当时游戏板块股价一度下行，市场开始讨论这项技术会不会重写游戏生产流程。

Genie 4 的能力比前代更完整。用户用文字提示搭出场景后，可以通过键盘在环境中移动和操作；场景运行期间还能实时下发指令，改变天气、增加角色。单次模拟最长可持续两分钟，是 Genie 3 的两倍。它也是该系列第一个实现音画同步生成的版本，能产出环境音效、背景音乐，以及响应用户操作的对话音频。所有音视频都带有 SynthID 隐形水印，用来标明内容由 AI 生成。

支撑这套体验的是 Gemini 系列模型。生成场景时，Gemini 持续解析画面，理解用户意图，把任务拆成步骤并校验完成情况。Argon 曾参与内部测试，真正负责实时交互的是轻量化的 Gemini 3.8 Flash，兼顾响应速度与成本。

现阶段的短板也很明显。模拟时间拉长后，画面细节和物体形态会出现漂移，即便支持两分钟，也无法保证全程一致。复杂物理交互、场景内可读文字、长时段一致性，仍是待攻克的难题。研究负责人 Tejas Kulkarni 提到，要让两分钟的世界完全稳定，模型必须真正理解现实世界的物理规则。

目前 Genie 4 以研究预览模式向小范围测试人员开放，游戏开发者与影视创作者正用它制作可交互原型和场景草图。未来数周，谷歌计划向最高档付费订阅用户开放访问，并向部分开发者提供接口调用权限。

DeepMind 产品经理 Diego Rivas 强调，这项技术的目标是拓展现有创作能力，而不是直接替代工作流。对游戏行业来说，它更像一把新工具，离成熟的生产管线还有距离。

文章与图片内容转载网络，如有侵权请联系平台删除