游戏引擎已死？谷歌Genie 4刚刚发布 实时操控整个世界

时隔一年多，谷歌 DeepMind 的 Genie 世界模型系列终于迎来了第 4 代。

刚刚，谷歌 DeepMind 正式官宣最新一代世界模型 Genie 4，称其为「迄今为止最逼真、交互性最强的世界模型」。

与此前只能观看的 AI 视频不同，Genie 4 能够实时生成动态环境，用户不仅可以通过键盘控制角色或镜头在其中移动，还能随时输入自然语言，改变天气、添加物体、引入新角色，观察整个场景如何随之变化。

更重要的是，这个世界现在有了声音。

从风吹过树林、海浪拍打沙滩，到人物之间的交谈，Genie 4 能够在生成画面的同时，实时生成对应音频，虚拟人物不仅能够移动，还能对周围环境和用户输入作出反应。

与此同时，谷歌首次将 Gemini 系列模型更深入地引入世界模拟过程：大语言模型负责理解任务、规划事件和维护场景逻辑，Genie 4 负责实时呈现动态世界。

这意味着，谷歌正在尝试解决一个比生成逼真视频更加复杂的问题：如何让 AI 生成一个能够持续运转、响应外部干预，并尽可能遵循因果逻辑的世界。

不止画面逼真，整个世界都能实时改变

根据官方介绍，Genie 4 主要实现了四个方面的能力提升：更逼真的视觉和物理模拟、更自然的人物动作、原生实时音频，以及由 Gemini 支持的复杂事件推理。

先看最直观的变化，这次用户不只是进入一个生成好的世界，还能在探索过程中实时改变它。

在官方演示中，一名男子站在湖面中央的悬浮平台上演奏萨克斯。周围的森林被薄雾笼罩，湖面反射着微弱的光线。

用户可以通过键盘独立移动镜头，从不同角度观察场景。人物继续演奏，周围的环境也在持续变化。

如果想改变这个世界，还可以直接输入自然语言指令，比如调整天气、移动镜头，或者加入新的人物和物体。Gemini 会结合当前场景理解这些要求，并引导模拟继续运行。

也就是说，用户不需要重新生成整个场景，就能在一个持续运行的虚拟世界中不断修改内容。

视觉效果之外，Genie 4 还进一步提升了对物理现象的模拟能力。

比如，一颗枫树种子从空中落下，受到空气阻力影响，在空中旋转、飘落。

Google 表示，Genie 4 改进了对空气动力学、碰撞等物理现象的模拟，尤其提升了人物运动的自然程度，让角色能够根据周围环境作出相应反应。

而且，这次的世界不只有画面，还有声音。

Genie 4 是 Google 首个能够原生生成实时音频的世界模型，支持环境音、音乐，以及可以根据场景变化实时调整的人物对话。

在一段第一人称视角的演示中，用户骑着一条巨大的黑龙，以每小时 140 公里的速度穿越群山。伴随着高速飞行，耳边传来翅膀拍打、高空风声和远处的轰鸣声。

这些声音并不是后期添加的音效，而是由 Genie 4 随着视觉场景一起生成。

更进一步，场景中的人物还可以根据用户输入或正在发生的事件作出回应，展开实时对话。

Gemini 负责思考，Genie 负责生成：世界模型走向混合架构

不过，如果说画面、物理和音频的改进，让 Genie 4 生成的世界越来越接近现实，那么 Gemini 的加入，则让这个世界开始拥有更复杂的事件发展逻辑。

按照 Google 的介绍，Genie 4 融合了 Gemini 系列模型的能力。其中，Gemini Omni 为模拟提供真实世界的视觉与行为知识，而 Gemini 3.8 Flash 则在实时生成过程中承担引导作用。

具体来说，当 Genie 4 持续生成虚拟世界时，Gemini 3.8 Flash 会不断观察画面，将目标拆解为多个步骤，检查每一步是否已经完成，并在环境发生变化时调整后续计划。

这使得模型不只是持续生成下一帧画面，还可以围绕一个具体目标，组织具有连续性的复杂事件。

Google 还展示了一项机器人模拟实验。

在这段演示中，Gemini 4 Argon 与 Genie 4 合作，模拟了 Apptronik Apollo 人形机器人下国际跳棋的过程。

Gemini 4 Argon 负责将用户要求拆解为一系列步骤，再通过实时文本指令引导 Genie 4 生成相应场景，让整个模拟过程随着任务进展不断变化。

Google 将这一技术方向称为混合世界模型（Hybrid World Models）。

简单来说，就是让 Gemini 负责逻辑推理、任务规划和事件组织，Genie 负责生成世界的视觉、声音和动态反馈。两者结合，有望让虚拟环境具备更好的连贯性和可控性。

当然，这项技术的价值不只在于创造一个有趣的虚拟世界。

Google 表示，早期测试者已经开始探索 Genie 4 在影视预演、历史场景重建、游戏原型制作以及工业模拟等领域的应用。

例如，电影制作人员可以直接进入生成的场景，实时调整镜头、灯光、台词和人物动作；游戏开发者则有机会通过自然语言，在编写游戏引擎代码之前，快速体验一个可以探索的原型。

更长远的目标，是利用这些可控的虚拟环境，为机器人和 Agent 提供训练及测试场景，让它们在进入真实世界之前，先尝试执行复杂任务。

目前，Genie 4 已向部分受信任的测试者开放研究预览，未来将通过 Project Genie 向 Google AI Ultra 用户提供，并向 Gemini API、Google AI Studio 的早期合作伙伴开放。

距离真正的「无限世界」，还有多远？

尽管 Genie 4 的演示已经非常惊艳，但它距离一个能够无限运行、完全符合现实物理规律的虚拟世界仍有明显距离。

Google DeepMind 在官方博客中也明确承认，Genie 4 仍是一项早期研究成果。

首先是长期一致性问题，虽然 Genie 4 能够在短时间的交互过程中维持环境的连贯性，但随着时间推移，视觉细节和物体的持续存在性仍可能发生变化或偏移。尤其是在模拟运行时间较长、经过多次复杂的提示词修改，或用户在场景中持续探索移动时，这类问题会更加明显。

其次，在复杂物理交互的模拟、实时音频的准确性、清晰可辨的文本渲染、空间精度等方面，仍是接下来需要持续研究和改进的重点方向。

值得一提的是，官方表示，Genie 4 生成的视频和音频都将包含 Google 的 SynthID 数字水印，以帮助识别 AI 生成内容。

但仍不可否认的是，Genie 4 带来了新的可能。

「全息甲板」要来了？

Genie 4 一经发布，便在 X、Reddit 等社交平台上引发了大量讨论。

有人已经开始畅想，游戏和虚拟现实会因此发生怎样的变化。

Reddit 上，一位网友设想：「如果把这项技术用在增强现实（AR）中，我们基本上就有了一个全息甲板的原型。」

这里的全息甲板（Holodeck），是《星际迷航》中一种可以创造高度逼真、可交互虚拟环境的技术。

还有网友认为，Genie 4 如果与未来的 VR、AR 设备结合，可能会让人真正进入一个由 AI 实时创造的世界。

甚至有人联想到了大卫・福斯特・华莱士的小说《无尽的玩笑》（Infinite Jest）。

在这部小说中，一部具有极致吸引力的娱乐作品，让观看者深深沉迷其中，甚至不愿意再回到正常生活。

X 上的一位网友写道：「我们距离创造出《无尽的玩笑》里的世界，可能只剩下几年了。一个专门为你量身优化、逼真到足以完全俘获你的注意力，让你再也不想离开的数字世界。再结合不断进步的头显显示技术，一切就都结束了。」

除了游戏和娱乐，还有一部分网友关注的是世界模型更深层的技术意义。

X 上有网友认为，很多人可能还没有完全理解世界模型的用途，但 Genie 4 已经让人们更清楚地看到，它可能如何帮助 AI 走向 AGI。

他用了一个很形象的比喻：人类在采取行动之前，可以先在脑海中想象现实场景，推演可能发生的结果，再决定下一步应该怎么做。

大语言模型虽然能够通过文本描述物理现象、分析数学问题和预测行动结果，但如果想直接检验这些推测，还需要能够与之交互的环境。

而世界模型有望提供这样一个试验场。

当大语言模型的推理能力与世界模型学习到的物理动态结合，AI 就可能先在虚拟环境中尝试不同的行动，观察结果，再决定如何应对现实世界中的问题。

这也是 Genie 4 与 Gemini 联动的重要意义之一。

对于 Genie 4 目前的表现，Reddit 上也出现了一些不同声音。

有网友直言，相比 Google 精心挑选的演示片段，他更想看到一个普通人在 YouTube 上直接直播使用 Genie 4，接受观众的随机要求，看看模型在没有提前筛选的情况下究竟能表现得怎么样。

还有网友注意到，虽然 Genie 4 的画面质量有了明显提升，但在部分演示中，键盘方向控制似乎并不那么直接。

一位网友指出，Genie 3 曾展示过直接控制角色的能力，而 Genie 4 的部分视频看起来更像是模型自主决定角色运动，用户输入主要用于引导镜头方向。

Genie 4 的语音表现也引发了一些讨论。

Reddit 网友 Background-Wafer-548 认为，语音仍然是 Genie 4 最薄弱的环节，听起来甚至有些像老式的文本转语音（TTS）。

他指出，如今即使是在十年前的旧笔记本电脑上，通过 CPU 运行的小型语音模型，也已经能完成相当自然的文本朗读。相比之下，Genie 4 演示中的人物语音仍显得不够自然。

他将这种现象总结为：「取得不错的效果已经相对容易，但想达到真正出色的水平却非常困难。」

这也说明，能够原生生成实时音频，与让虚拟人物拥有自然、可信的语言表达，仍然是两回事。

那么你呢，如何看待谷歌的最新一代世界模型 Genie 4？