仅仅能存续两分钟的虚拟世界里，一切都任由你掌控。改变气象、招来神龙、让城市瞬间生成，这一切都可以在这120秒内自由实现。
Google DeepMind 刚刚推出了Genie系列的最新力作——Genie 4，这款新型世界模型让AI生成的虚拟世界距离现实更近了一步。
相较于前作，Genie 4在多个方面都有突破：视觉效果更逼真，可以同步输出音频，模拟物理运动规律，用户还能直接进入虚拟环境，实时调整气候、加入人物，与生成的角色互动交流。
特别值得一提的是，谷歌将Gemini集成到了模拟系统中，由大语言模型负责任务规划，Genie 4负责环境实时生成。以往被动观看的AI视频如今已转变为能够主动探索、实时互动的沉浸式虚拟空间。
从观影时代迈向沉浸新纪元
回溯到2024年，Genie系列初代亮相，试图从视频素材中提炼动作与场景变化的关联。Genie 2进一步升级，引入三维可探索环境。到了2025年的Genie 3，才真正实现了同步生成与互动功能。
现在的Genie 4再度跃升，在逼真度、物理仿真和交互体验等方面都有提升，单次运行时限也从1分钟左右扩展到了2分钟。
根据谷歌公布的演示视频，用户仅需键入文字描述就能生成一个可供探索的虚拟环境，可通过键盘操纵人物活动、变换视角，甚至能在运行中动态输入新指令来改写场景呈现。
其中一个演示画面展现了这样的场景：浮在湖上的一个小台地，一位褐色西装男性在吹奏萨克斯，四周环绕着朦胧的水面、茂密的林地与随风摇晃的花草。
观众能够任意切换视角来欣赏表演者的肢体语言与水面波澜，甚至可以临时修改气象、插入额外人物或道具。其中Gemini会根据实时环境来解读用户指令，确保Genie 4生成的画面保持逻辑一致。
沃顿商学院的伊桑·莫利克教授在提前体验中展示了系统的强大能力：他仅凭一句”新哥特粗野主义风格、机器人与骏马共居的都市”的描述，就在60秒内构建了一个虚拟城市，之后还能即时追加龙类和善良的水獭NPC。
同样参与测试的a16z投资家贾斯汀·摩尔呈现了一段趣味十足的展示，他戏谑地命名为”GTA Waymo”，在一个由AI完全实时构建的都市中自在漫游，整个体验都支持直接操作。
摩尔的另一个示例是用单纯的环境描述和人物设定词生成的虚拟环境，用户可在执行中不断发号施令调整场景设定，同时聆听与环境完全同步输出的原汁原味音频。
这些真实的操作案例让人们看到了Genie 4的独特价值：无需提前建模三维地图，没有预设的故事线，AI能够依照用户的动作持续演化后续情节。
关于物理仿真，谷歌展现了多种场景：西瓜被击中时的变形、飘零的枫翅、熙攘的小镇车站，涵盖了碰撞力学、气流效应、引力牵制以及群体行为模拟。
特别在人物运动层面，Genie 4能使虚拟生物的活动更逼近真实，能够对周围环境的变化做出适当反馈，用户也能在当下实时操纵人物行为。
以往AI生成的视频多为定版交付，观众被动接收最后画面。而Genie 4的目标在于，把每个操作、每次移动都变成塑造虚拟世界走向的关键参数。
虚拟世界首次有了声音和灵魂
值得关注的另一个突破是，Genie 4首度集成了本地音频生成能力。
历代Genie的重心落在视觉画面与交互操作上，而现在的Genie 4能够在构建虚拟环境的同时，并行输出背景音效、背景音乐以及角色语音。
为例，沿海地带能听到浪涛之音，林间弥漫风吹树摇的声响，乘龙飞跃谷地时，耳边传来翼拍气流音、嚎啸狂风以及远方火山蠢动的声息。
堪称最具创新意义的是，虚拟人物现在具备了实时交谈的本领。
常规游戏里的NPC多依靠既定的台词库和预编程的行为模式，但Genie 4能按照玩家指令和场景状况，灵活编织角色的措辞与举止。
换句话说，今后的玩家将可能进入由AI塑造的虚拟疆域，与其间的人物自在对话，甚至凭借自身行为来扭转剧情走向。
不过当前的Genie 4在音频真实度和长期稳定性上仍有欠缺，要成熟到支撑大规模沙盒式游戏的水准，技术层面还需要走很长的路。
Gemini担任导演，AI学会了思考
若画面与音频让Genie 4的逼真度跃升一个台阶，那么Gemini的融入则赋予了世界模型进行深度思考与制定计划的潜能。
按照Google DeepMind的说法，Genie 4整合了Gemini体系内的众多技术。
其间，Gemini Omni供应仿真的真实世界视觉与行为底层，Gemini 3.8 Flash则作为及时调度中枢，不断审视输出画面，把需求拆解为逐步动作，评估每一阶段的达成情况。
两者的分工很清晰：Genie 4专司虚拟环境渲染，Gemini负责筹划后续进程。
以机器人执行复杂指令为例，Gemini会将要求拆分为多步骤，同时监控机器人在虚拟环境中的举动，再按实际效果微调后续规划。
纵然用户突然转向需求，或者周遭情况有了变化，Gemini也能当下调适执行策略。
谷歌还披露了一个联动Gemini 4 Argon和Genie 4的探索项目。
演示中，Gemini 4 Argon负责把任务拆分成连续步骤，Genie 4则即时演绎Apptronik的Apollo仿人机器人下象棋的景象。
这种搭配相较于简单的棋局视频生成，更突出了对执行链条的动态仿真和实时修正。
对机器学习的推进意义深远。
真实的机器人培养耗费巨资购置设施、租赁空间并进行多轮试验，许多危险复杂或费用昂贵的状况更是难以反复操练。倘若世界模型能精确摹刻物理法则，机器人就能率先在数字环境中磨练技能，最后将掌握的能力迁应到现实领域。
Google DeepMind研究负责人Tejas Kulkarni言及，今后的关键方向是混动世界模型，融合语言模型的框架化思维与世界模型的感知仿真本领。
Gemini可主持事项编排与复杂情景策划，Genie将这些方案具现成动态变化的视觉、听觉与物理关系。
AI开始在自我创造的虚拟世界里探索、预演并验证操作可能导致的效果。
从内容到工具，应用前景无限
眼下，Google DeepMind已募集来自电影、游戏、新闻媒体、教育和工业等领域的体验者，开掘Genie 4的落地潜能。
其中最富创意的一个赛道是影视创意。
昔日的导演若要论证复杂镜头的可行性，需得事先勾勒分镜脚本、建造三维舞台或组织演员彩排。
有了Genie 4的支撑，电影人可依赖文本叙述生成一个可供游历的虚拟舞台，亲身进入调控摄像位置、照明角度、表演姿态与台词，迅速验证多种拍摄思路。
在游戏设计师的工具箱里，Genie 4有望成为飞速制样的利器。设计者能凭指令快速勾勒游戏舞台，即刻校验美学路线、纹理效果与核心互动机制，随后再判断是否启动全额投入开发。
在新闻采编与教学领地，该技术的用武之地同样广阔。
谷歌指出，部分摄影新闻工作者在将平面史料图像升格为可游历的动态景观，或者用仿真呈现暴雨、火灾等灾难的演变轨迹。然而需要强调的是，AI依照存档相片推演出的画面，并非对历史真实的精准复原。
商用维度，世界模型可用作工业运算、自动化机械研制与繁杂场景验证，能大幅节省真实试验的耗时与投入。
伴随商用图景日见明朗，世界模型已演变成科技巨擘竞相争取的新高地。
除谷歌外，Runway已发布支持及时音频与互动的GWM Worlds 2，而李飞飞执掌的World Labs则踏上了另一条三维认知之路，侧重于空间环境的复原、编辑与持久协调性。
本年9月，AMD宣布斥资约82亿美金纳购World Labs，这一举措充分表明世界模型的重量级价值已从内容演化跨越至机器人和AI算力底层。
120秒的局限，通往AI未来的大门
虽然Genie 4展现了众人瞩目的本事，但要抵达真实完备的数码环球，还有漫长之程。
眼下，模型维系交互仿真的时段约2分钟。当仿真周期拉长，物体面貌可能漂移，场景也易产生衔接矛盾。
若玩家频繁调整指令或在广阔地域频繁游走，模型易逐渐模糊掉初期场景细节的掌握。加之，高难度物理交手、坐标精度、音频输出品质、屏幕文本清晰度等各环节，仍需优化升级。
现阶段，Genie 4已对邀请的试用方开放研究版本，之后会经由Project Genie向Google AI Ultra会员推送，逐步供给Gemini API及Google AI Studio的初期协作伙伴。
纵观往年生成式人工智能的进展，从文言表述升至图像，从图像跻身视频，再进化到当今能即刻游历、具备音效与角色活动的虚构空间，AI创作物质的界限在持续突破。
而Genie 4最引人瞩目之处，乃是世界模型与大型语言模型的思维本领开展深度耦合。
往昔，AI能描述人推门后的光景，也能编演推门情节。而今后，它还需洞悉门缘何开启、门后人士的应对、后继连锁行为的后果。
对迈向真实领地的AI代理和机械臂而言，具备预知举措的余波、在虚拟场域反复演练，其分量可能超越制作精美视频。
当巨型语言模型助力AI习得思维时，世界模型则力图使AI感悟动作的代价。
也许，今后AI领悟真实社会的关键渠道之一，便是在自我塑造的千般世界里，循环学习现实的运行机理。
