谷歌 Genie 4：一句话造一个世界

10 月 27 日（美国时间周二），谷歌 DeepMind 在官网放出新一代世界模型 Genie 4 的研究预览版。用法直白：敲一段文字，生成能走进去的虚拟世界，键盘控制角色移动、调镜头；模拟跑到一半还能继续下指令，实时改天气、换机位、加人物。

硬指标摆在这里。单次模拟的连贯时长约两分钟，是上一代 Genie 3 的两倍；这是 Genie 系列第一次原生同步生成声音：环境音、配乐，以及会对用户行为作出反应的对话。物理表现也进一步，谷歌演示了西瓜受撞击、枫树种子飘落和拥挤车站的人群，碰撞、空气动力、重力都有体现。时间线很清楚：2024 年 Genie 1 从视频学动作与环境关系，Genie 2 扩到可探索三维环境，2025 年 Genie 3 做到实时交互，现在 Genie 4 加声音、加物理。

更关键的一层是分工。Gemini 在这套系统里当导演：Gemini Omni 提供世界的外观与行为基础，Gemini 3.8 Flash 做实时引导，持续看画面、把任务拆成若干步骤、逐步核查有没有做成，Genie 4 只负责把下一步生成出来。研究实验里，Gemini 4 Argon 把任务拆成连续步骤，Genie 4 实时模拟 Apptronik 的 Apollo 人形机器人下跳棋。这意味着 AI 开始在自己造的世界里先试一遍，再去现实里干。

开放范围：先给一小批受信任测试者，未来几周通过 Project Genie 给 Google AI Ultra 订阅用户，也会给 Gemini API 与 Google AI Studio 的早期合作伙伴。局限也没藏着——模拟时间一拉长，物体细节会漂、前后场景会对不上；音频准确性和画面里文字的可读性都还没解决；所有生成的音视频都嵌了 SynthID 隐形水印。

对普通人意味着什么。做游戏原型、影视预演、机器人训练的人，过去要搭场景、做分镜、排演员，现在一句话就能看到可交互草稿，试错成本大降。但两分钟是硬天花板，离「AI 直接生成一款能玩的游戏」还有距离。真正值得盯的是「先模拟再执行」这条路——机器人、自动驾驶、工业仿真都在这条线上。

出处：爱范儿 · 原文发布：2026-10-28