（来源：AI信息Gap）
谷歌的世界模型，刚刚学会开口说话了。
湖中间的平台上，一个身穿棕色西装的男人在吹萨克斯。
输入「一条鲸鱼尾巴浮出水面」，发送。几秒后，鲸鱼尾巴真的从湖里出现，溅起一片水花。再输入「开始下雪」，雪越下越密，在他的头发和肩膀上积了白白一层，萨克斯声一直没停。
这段视频里的每一帧，都是边玩边实时生成的。
今天，谷歌 DeepMind 正式发布新一代世界模型Genie 4。画面、角色、环境音，Genie 4 一口气全包，你按住 W 键朝前走，它就跟着往前实时生成。
世界模型是什么？谷歌 DeepMind 研究副总裁 Raia Hadsell 这样解释。「Gemini 这类语言模型，处理的是知识和语言；世界模型面对的是一个具体的环境，它得记住这个世界此刻的样子，还得计算出物体碰撞在一起、你迈出一步以后，世界会怎么变化。」
去年 8 月，谷歌发布上一代世界模型 Genie 3，第一次做到了逼真、3D、实时。今年 1 月，试玩网站 Project Genie 上线，只开放给 AI Ultra 会员，单次体验最长 60 秒，基本只能走走跳跳。这一代 Genie 4 画面更逼真，角色会动也会接话，打字就能一键修改剧情，后台还有 Gemini 当导演。
网友调侃，「GTA 6 还没来，GTA 7 先到了。」
01｜边玩边改
Genie 4 最直观的变化，是能边玩边改。
你随时可以打字，换种天气、加个角色、移动镜头。Gemini 会先把你的话改写得和周围的画面对应得上，再交给 Genie 4 去生成。你不打字的时候，Gemini 也在盯着场景，推动着故事向前发展。
输入「一颗流星划过天空」，流星就划了过去；再输入「它按下一个琴键」，它低头去啄雪地上的电子琴。
谷歌 CEO 皮查伊亲自为 Genie 4 站台，下面这个是他分享的案例。
你以第一视角骑着摩托，停在海边公路的红灯下，输入一句「绿灯亮了」，发动机轰鸣起来，摩托沿着海岸线冲了出去。指示灯颜色变了以后该发生什么，是 Gemini 推演出来的。
02｜西瓜会碎，人也更像人了
物理规律这一块，Genie 4 现在也能较为轻松地拿捏了。
花园石台上摆着一个西瓜，输入「把一尊沉重的白色大理石像砸到西瓜上」，石像落下，西瓜当场炸开，红瓤和碎皮溅出了石台。
更大的进步是人物。
DeepMind 用同一句提示词做了一组对比，画面是一个穿粉色西装的男人走过剧院后台。Genie 3 那一版，配角要么杵着不动，要么动作别扭；Genie 4 这一版有了舞台追光，旁边的演员还能和他对戏。
Genie 3（左）vs Genie 4（右）
Genie 4 这么逼真，很大一部分要归功于它的底座模型。它是基于谷歌的视频大模型 Gemini Omni 构建的。
03｜世界有了声音，角色还会接话
这是 Genie 系列模型第一次自带声音。
Genie 4 的画面和声音，是同一个模型一起生成的。现实世界的视频本来就带着同步的声音，模型学到的就是这样一个有声的世界。
环境音只是开始，更有意思的是角色会说话。
80 年代的火车站，输入「站务员提醒乘客」，身穿深蓝制服的站务员走到镜头前，开口播报，「小心站台边缘，下一班车两分钟后发车。」
换成 1995 年的香港文艺片，一对小情侣在黎明时分骑摩托过桥。输入「他回头看，她问他觉得能不能逃出去」，后座的女生真的开口说，「你真觉得我们能逃出去吗？」继续打字，远处的城市开始爆炸，巨大的触手从楼群里伸了出来。
04｜Gemini 在后台当导演
能接住这么多临时加的戏，靠的是后台的 Gemini 模型。
为了保证实时性，DeepMind 选择了 Gemini 3.8 Flash 当导演。Genie 4 生成画面的同时，Gemini 一直在观察，把目标拆解成一个个小步骤，再盯着新生成的画面，确认每一步有没有完成。你中途插手，它就当场修改计划。演示界面右上角那块「推理步骤」面板，就是它实时列出的计划。
魔杖这段演示，最能看出 Gemini 这个导演的作用。
你以第一视角手握一根魔杖，屋里摆满了动物造型的瓷器，木箱里站着一只真孔雀，挥一下，孔雀变成三花猫，再挥一下，猫变成一台老式收音机。推理面板同步写着，变身已经完成，场景稳定，可以互动的道具都保留着。
谷歌还用此前发布的 Gemini 4 Argon 测试了一个更难的任务。
Argon 把「下一盘西洋跳棋」拆解成 20 多步文字指令，Genie 4 生成画面，人形机器人隔着桌子和真人对弈，伸手、捏住棋子、落子。
Argon 拆出来的步骤（左）和 Genie 4 生成的画面（右）。
Genie 4 有一个超强用法，「生成机器人的训练数据」。
谷歌 AI Studio 产品负责人 Logan Kilpatrick 讲述了自己第一次去机器人实验室的感受。要让机器人摆好姿势干活，需要一遍遍调试、暂停、重来，像拍电影一样。同样的场景放到 Genie 4 里模拟，快得多，也便宜得多。
Genie 的下一步，是「混合世界模型」。
现在最强的编程模型已经能写出一整个 3D 游戏，谷歌 DeepMind 计划下一步让代码和像素合体。代码在后台记住世界的状态，你去山坡上逛一圈回来，房子还是你走时的样子；像素负责那些说来就来的变化，比如一条龙突然飞过，整个世界一下子变成水彩画。
05｜还撑不了一整局
世界模型，最要命的是时长。
Genie 4 目前只能支持几分钟的连续互动，玩得越久、改得越多、走得越远，画面细节越容易走样。
比如 DeepMind 访谈现场就小小的翻了个车。
他们带着主持人逛 Genie 4 生成的餐厅后厨，Logan 盯着两个长得一模一样的厨师问「这俩是双胞胎吗」，嘉宾马上接话，「你转个身，还能再冒出三个。」
06｜什么时候能玩
Genie 4 现在还是研究预览版，只开放给一小批特邀测试者。
谷歌官方称 Genie 4 很快会在 Project Genie 上线，优先开放给 AI Ultra 会员；Gemini API 和 Google AI Studio 的早期合作伙伴也能用上，这是 Genie 第一次开放 API。具体哪天还没公布，据报道是未来几周。
