研究员|卢杨
北京时间10月28日,谷歌正式发布了Genie 4,把它称为“新一代世界模拟”,距离上一代Genie 3发布已超过一年。
![]()
但读完介绍官方文档我们发现,limitations这一段的存在感不可谓不强。
官方公司介绍称,Genie 4只能在“短会话”内维持场景连贯性环境,视觉细节和物体恒存会随时间漂移,复杂物理交互、实时音频准确性、可读文字、空间准确性、长期一致性,全部是“ongoing research”。它甚至没有在官方博客正文里甚至没有给出一个可复现的时长数字。多家媒体在发布当日报道,谷歌方面称Genie 4可生成约两分钟的视频;但其官方博客只写了“short sessions”和“runs longer”,没有给出可复现的时长条件。换句话说,谷歌在对媒体的沟通中愿意让大家认为可以做到“两分钟”,却不愿意在官方文档里把这个“两分钟”写成可验证的指标,不仅如此,谷歌这次还选择了用“研究预览”的身份来发布一款号称“新一代”的产品。
TechCrunch写的是“adds audio, more realistic worlds, and real-time steering”,但“real-time”更偏向宣传形容词在这个语境里只是一个形容词,不是一个可以拿去跟工程团队对齐的数字。
那么,一项个无法量化其表现的技术,是否真正可复现、可落地就成了成为了一个问号。
反观Genie 4的竞品,Runway在9月3日发布的GWM Worlds 2,走的是完全相反的路线。官方公司介绍写得非常直白:720p、24 fps、48,000 Hz 音频,自回归扩散模型。World Prompt 格式把“持久的世界上下文”和“时间戳事件流”分开,用户对主体或场景下达文本动作,模型从这个动作往后续写,而不是从某个固定片段里选。
单论画面逼真度,我们可以说Runway在画面逼真度上未必超过Genie 4。但它在做一件谷歌没有做的事:把“可交互世界”拆成一组可以被开发者理解、被工程团队估算、被产品经理写进spec的参数。帧率、分辨率、音频采样率、会话无预设上限:这些数字不能证明世界模型“理解物理”,但它们能让一个工作室知道这东西能不能接进自己的工作流。
为弥补长视频连贯性短板,谷歌给 Genie 4 设计了混合架构:在主生成回路里谷歌选择了混合架构来补连贯性:在Genie 4的通用引导回路中,Gemini 3.8 Flash在后台当“引导代理”,观察Genie生成的世界渲染出的画面,把目标拆成步骤,检查每一帧,验证每一步是否成功。这个设计在工程上有其合理性,因为纯视频生成模型自己扛不住长程因果,就让语言模型来掌舵。但它也把一个问题留在了台面上:当Gemini负责规划、拆步和校验,Genie负责像素渲染时,“世界模型的因果能力”到底属于谁?官方没有给出一个去掉Gemini之后的对照。
Apollo人形机器人下棋的演示则是另一套配置:由Gemini 4 Argon把任务拆成文字步骤,交错喂给Genie 4去渲染。两者不应混为一谈:前者是Genie 4的引导代理,后者是演示中的指挥模型。但无论哪套配置,那仍然是一个被Gemini用文字描述出来的演示,Google并未把它呈现为物理闭环中的训练结果。
谷歌在技术演示和产品文档上展现出的克制,似乎让世界模型赛道看起来还停留在“研究预览”的温和阶段。但过去一个月密集的资本动作表明,牌桌上的玩家们不仅没打算按这个节奏走,更是直接用“算力效率”和“硬件路线图”的尺度,对这个赛道进行了重新定价。
9月28日,AMD宣布以约82亿美元全股票交易收购李飞飞参与创办的World Labs,交易预计2026年底前完成,李飞飞将加入AMD担任执行副总裁兼首席科学家。AMD买World Labs,买的不是一个视频生成产品。World Labs的Marble走的是3D空间结构化重建路线,支持像素级相机控制和真实场景转机器人训练环境。AMD的逻辑很明确是:只有要理解“模型如何演进”,才能定义“驱动下一代AI的硬件、软件和系统”。
在此之前更早一点,亚马逊被曝正洽谈以约70亿美元收购Decart,而Decart在2026年5月的估值还只有约40亿美元。Decart的核心卖点之一是让同一个AI工作负载跑在英伟达GPU、亚马逊Trainium和谷歌TPU上,降低芯片迁移成本。亚马逊买的是一张“多芯片时代”的入场券,世界模型只是这张票的一部分。
这两笔交易指向同一个判断:世界模型的战略价值,正在被芯片和云厂商以“算力效率”和“硬件路线图”的尺度重新定价。而谷歌在这个尺度上的位置是暧昧的:它有TPU,有云,有 Gemini,Genie 4可以嵌进Project Genie和Gemini API而不需要一个独立的商业价目表。但正因如此,Genie 4的“价格”被藏得也更深。Runway的Worlds 2至少让开发者知道自己在跟什么样的参数规格对齐;Genie 4的官方文档里,既没有分辨率、,没有帧率、,没有延迟等硬性指标,也没有对外公布调用价格。
Genie 4没有把假装“两分钟生成时长”等于“稳定”包装成稳定可用的能力,而是明说即便跑到上限,场景也不一定全程一致;复杂物理交互、音频准确性、文字渲染、空间精度都在研究中,这是一种技术上的诚实。
但行业的转折不发生在“谁更诚实”上,而发生在于在“谁先把世界模型从研究预览变成可被工程化调用的东西”上。Runway用参数表和无预设会话时长在做这件事,Decart用跨芯片适配能力在做这件事,AMD用82亿美元的收购价在为一个“世界模型会重塑硬件”的判断投票。谷歌用Gemini生态卡住了一个身位,但它至今没有回答那个最基础的问题:一个开发者想在自己的产品里调用Genie 4,需要付出承担多少延迟、付出多少成本、接受多大程度的画面少漂移?。
单看架构,Genie 4可能确实是目前架构最完整的交互式世界模型。原生音频、语言实时改写、Gemini 导演回路,这些加在一起构成了一次真实的能力推进。但“最完整的研究预览”和“可用的世界模拟基础设施”之间,隔着的差距并不只是下一版模型迭代。隔着横在中间的,是的是一张还没有人从谷歌那边至今未对外公布的拿到的价目表,和一条还没有人敢公开承诺的响应延迟曲线。
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.