Google DeepMind 发布 Genie 4 实时世界模型

Genie 4 旨在实时模拟交互式世界，包括声音和会说话的角色。Gemini 模型在后台规划模拟中接下来会发生什么。目前只有部分测试人员可以试用该世界模型。

Google Deepmind 推出了 Genie 4，它是公司于 2025 年 8 月展示的 Genie 3 的继任者。该世界模型不生成成品视频，而是逐帧计算场景，并随输入实时做出反应。用户用键盘在场景中移动，并通过文本提示引导事件走向。

据 Deepmind 介绍，Genie 4 是该公司首个直接生成声音的实时世界模型。公司表示，每个世界都有自己独立的背景音效，例如树间的风声。Genie 4 还能处理对话，角色可以相互交谈，并实时对用户输入或事件做出反应。

Deepmind 认为真实感方面最大的提升在于模型对人物的渲染。角色应当自然地移动并对周围环境做出反应，用户也应能够直接控制它们。

Gemini 模型提前规划以保持世界的连贯性

据 Deepmind 称，Genie 4 建立在视频模型 Gemini Omni 的能力之上，使世界看起来和表现得真实。其他 Gemini 模型则协助规划模拟，以保持其一致性。

如果用户通过文本提示改变天气，Gemini 应将该指令适配到正在运行的场景中。Deepmind 表示，Gemini 还会在输入之间引导事件发展，使世界以合理的方式持续演进。

Deepmind 用多步任务解释了这一过程。Gemini 3.8 Flash 持续观察场景，将目标拆解为多个步骤，并用新帧检查每一步是否成功。如果世界发生变化或用户介入，模型会调整其计划。

Deepmind 还在测试 Gemini 4 Argon，以将其 Genie 工作与机器人研究 Gemini Robotics 相结合。在一个演示中，Argon 将下跳棋的任务拆解为若干步骤。Genie 4 接收这些步骤作为文本指令，并用它们模拟 Apptronik 的人形机器人 Apollo 下棋，全程没有真实机器人参与。

长时间会话仍会让模型出错

Deepmind 称 Genie 4 是一个早期的实验性模型。据公司介绍，在短时间会话中世界保持一致，但在更长的模拟中或在多次复杂的提示变更后，视觉细节可能会发生偏移，物体也并不总是能够持久存在。

Deepmind 表示，公司仍在研究复杂的物理交互、精确的实时音效以及可读文本。

目前，Genie 4 仅向部分测试人员开放作为研究预览。它将很快通过 Project Genie 网页应用向 Google AI Ultra 订阅者开放，同时也向获得 Gemini API 和 Google AI Studio 早期访问权限的合作伙伴开放。

Google 表示，所有视频和音轨都将带有 SynthID 水印，以隐形方式标记 AI 生成的内容。

一旦成熟，世界模型可以用作训练环境，让机器人和 AI 智能体从模拟经验中学习，而不仅仅从数据中学习。Deepmind 将 Gemini 与 Genie 的结合视为迈向混合世界模型的早期一步，这类模型将语言和代码模型的推理能力与像素级模拟相结合。

AI News Without the Hype – Curated by Humans

订阅 THE DECODER，享受无广告阅读、每周 AI 新闻通讯、每年六期的独家“AI Radar”前沿报告、完整档案访问权限以及评论区的发言权限。