刚刚，谷歌 Genie 4 发布，120 秒的世界却让我看见 AI 的未来

这个世界只能维持 120 秒，然后一切开始崩塌。然而在这两分钟里，你可以随时改变天气、召唤巨龙，甚至让一座城市为你拔地而起。

刚刚，Google DeepMind 正式发布新一代世界模型 Genie 4，AI 生成的虚拟世界，又向现实迈进了一大步。

相比上一代，Genie 4 不仅让画面更加逼真，还能实时生成声音、模拟物理规律，甚至让用户直接走进 AI 创造的世界，随时改变天气、添加人物，与虚拟角色对话。

更重要的是，谷歌还将 Gemini 引入世界模拟，让大语言模型负责规划行动，Genie 4 负责实时生成环境。过去只能观看的 AI 视频，正在变成一个可以自由探索、持续互动的虚拟世界。

AI 视频的下一站，是可以走进去的世界

早在 2024 年，Google DeepMind 就推出了 Genie 1，尝试从视频中学习动作与环境变化之间的关系。随后，Genie 2 将能力扩展到可探索的三维环境，2025 年发布的 Genie 3 则实现了实时生成、实时交互。

如今，Genie 4 在真实感、物理模拟和交互能力上再次升级，单次模拟时长也从约一分钟延长至两分钟。

根据谷歌公布的演示，用户只需输入一段文字，就能生成可以探索的虚拟世界，通过键盘控制角色移动、调整镜头，甚至在运行过程中继续输入提示词，改变整个场景。

例如，在一个漂浮于湖面的小平台上，一名身穿棕色西装的男子正在演奏萨克斯。周围是薄雾笼罩的湖水、森林和随风摇曳的植物。

用户可以自由移动镜头，观察演奏者的动作和湖面变化，甚至临时改变天气、添加人物或物体。Gemini 会结合当前环境理解指令，帮助 Genie 4 维持场景的连贯性。

提前体验 Genie 4 的沃顿商学院教授伊桑·莫利克，只用一句「一座由机器人和马匹居住的新哥特式粗野主义城市」，便在一分钟内生成了一座虚拟城市，随后又实时加入了巨龙和一只友善的水獭 NPC。

另一边，a16z 投资人贾斯汀·摩尔也展示了一段被他戏称为「GTA Waymo」的演示，在完全由 AI 实时生成的城市环境中自由探索，整个过程都可以直接交互。

摩尔还展示了一个仅靠环境与角色提示词创建的虚拟世界，用户能够在运行过程中继续下达指令、改变场景，并听到与世界同步生成的原生音频。

从这些实际体验也能看出，Genie 4 的特别之处在于，整个过程不需要预先制作三维地图，也没有固定的场景演出，AI 会根据用户的操作持续生成接下来发生的事情。

在物理模拟方面，谷歌还展示了西瓜受到冲击、枫树种子从空中飘落，以及拥挤的乡村火车站等案例，呈现碰撞、空气动力学、重力作用和复杂人群行为。

尤其是人物动作，Genie 4 能让虚拟角色更加自然地移动，并根据环境变化作出反应，用户也可以实时引导角色的行为。

过去，AI 生成视频通常是一次性交付，用户只能观看最终结果。如今，Genie 4 试图让每一次移动、每一个操作，都成为影响虚拟世界发展的新变量。

AI 生成的世界，终于有声音了

Genie 4 的另一项重要升级，是首次支持原生音频生成。

此前，Genie 系列主要围绕画面和动作交互展开。如今，Genie 4 可以在生成世界的同时，实时生成环境声音、音乐和人物对话。

例如，海边会有海浪声，树林里会有风声，骑着巨龙穿越山谷时，还能听见翅膀拍打空气、狂风呼啸以及远处的火山活动。

更值得关注的是，Genie 4 开始让虚拟人物拥有实时对话能力。

传统游戏中的 NPC 通常依赖预先设计的对白和行为逻辑，而 Genie 4 可以根据用户输入和场景中发生的事情，动态生成角色的语言与反应。

这意味着，未来玩家有机会走进一个 AI 创造的世界，与里面的人物自由交流，甚至通过自己的行动改变故事发展。

不过，Genie 4 目前仍存在音频准确性和长期一致性方面的问题，距离真正支撑大型开放世界游戏，还有不小的技术距离。

Gemini 也来当导演，AI 开始理解世界如何运转

如果说画面和声音让 Genie 4 更加接近现实，那么 Gemini 的加入，则让世界模型开始具备复杂的推理和规划能力。

根据 Google DeepMind 的介绍，Genie 4 融合了 Gemini 家族的多项能力。

其中，Gemini Omni 为模拟提供现实世界的外观与行为基础，而 Gemini 3.8 Flash 则充当实时引导智能体，持续观察生成画面，将任务分解为多个步骤，并判断每一步是否成功。

Genie 4 负责生成虚拟世界，Gemini 则负责规划接下来应该发生什么。

例如，用户要求机器人完成一项复杂任务，Gemini 可以将任务分解成多个动作，观察机器人在模拟环境中的表现，并根据执行结果调整下一步计划。

即使用户临时改变要求，或者周围环境发生变化，Gemini 也可以实时修改行动方案。

谷歌还展示了一项结合 Gemini 4 Argon 与 Genie 4 的研究实验。

在演示中，Gemini 4 Argon 将任务分解为连续步骤，Genie 4 则实时模拟 Apptronik 旗下 Apollo 人形机器人下跳棋的过程。

相比单纯生成一段机器人下棋的视频，这种组合更强调对任务执行过程的持续模拟和调整。

对于机器人训练来说，这项能力很有价值。

现实中的机器人训练需要大量设备、场地和实验，一些危险或成本高昂的场景也很难反复测试。如果世界模型能够准确模拟物理环境，机器人就有机会在虚拟世界中提前练习，再将学到的能力迁移到现实。

Google DeepMind 研究主管 Tejas Kulkarni 也表示，未来的重要方向是混合世界模型，将语言模型的结构化推理能力与世界模型的感官模拟能力结合起来。

Gemini 可以负责规划和组织复杂事件，Genie 则将这些规划转化为实时变化的画面、声音和物理环境。

AI 开始尝试在自己创造的世界中，预测并验证行动可能带来的结果。

世界模型的野心，远远不止游戏

目前，Google DeepMind 已邀请电影、游戏、新闻、教育和工程等行业的测试者，探索 Genie 4 的实际应用。

其中，一个颇具想象力的方向是电影制作。

过去，导演想验证复杂镜头，通常需要提前制作分镜、搭建三维场景，或者安排演员预演。

借助 Genie 4，创作者可以通过文字生成一个可探索的虚拟场景，直接进入其中调整镜头、灯光、人物动作和对白，快速尝试不同的拍摄方案。

对于游戏开发者，Genie 4 也可能成为快速原型工具。开发者可以通过提示词创造游戏环境，直接测试美术风格、材质表现和基础互动玩法，再决定是否投入资源正式开发。

新闻与教育领域同样存在应用空间。

谷歌提到，一些摄影记者正在尝试将二维历史照片转化为可探索的动态场景，或者通过模拟展示洪水、野火等事件的发展过程。不过，AI 根据历史照片推断出的画面，并不能直接视为对历史事实的准确重建。

在企业端，世界模型也可能用于工业仿真、机器人研发和复杂环境测试，减少部分真实试验所需的时间与成本。

随着应用前景逐渐清晰，世界模型也成为 AI 巨头争夺的新方向。

除了谷歌，Runway 已推出支持实时音频和交互的 GWM Worlds 2，而李飞飞创立的 World Labs 则选择了另一条空间智能路线，更强调三维环境的重建、编辑和长期一致性。

今年 9 月，AMD 宣布以约 82 亿美元收购 World Labs，也足以说明世界模型的价值，已经从内容生成延伸到了机器人和 AI 算力基础设施。

只有 120 秒的世界，却通向 AI 的未来

尽管 Genie 4 展示了令人印象深刻的能力，但距离真正完整的数字世界，仍然有很长一段路。

目前，模型能够维持的交互模拟时长约为两分钟。随着模拟时间延长，物体细节可能发生变化，场景也可能出现前后不一致的问题。

如果用户连续修改提示词，或者在较大环境中不断探索，模型也可能逐渐失去对早期场景信息的准确把握。此外，复杂物理交互、空间准确性、音频生成，以及画面中文字的可读性，都还有待改进。

目前，Genie 4 已向部分受邀测试者开放研究预览，未来将通过 Project Genie 向 Google AI Ultra 订阅用户开放，并逐步提供给 Gemini API 和 Google AI Studio 的早期合作伙伴。

回看过去几年的生成式 AI，从文字到图片，从图片到视频，再到如今可以实时探索、拥有声音和人物行为的虚拟环境，AI 生成内容的边界正在不断扩大。

而 Genie 4 真正值得关注的地方，是世界模型开始与大语言模型的推理能力深度结合。

过去，AI 可以告诉你一个人推开门后可能看到什么，也能生成一段推门的视频。未来，它还需要理解门为什么会打开，门后的人会如何反应，以及接下来的一连串行动会产生什么结果。

对于走向现实世界的 AI Agent 和机器人来说，能够预测行动后果，并在虚拟环境中反复尝试，可能比生成一段漂亮的视频更加重要。

当大语言模型正在让 AI 学会思考，世界模型则试图让 AI 理解行动的后果。

或许，未来 AI 理解现实世界的重要方式之一，就是先在自己创造的无数个世界中，反复学习现实究竟如何运转。