DeepMind 发布 Genie 4：实时世界模型能边跑边改，还能出声

Google 旗下 AI 研究实验室 Google DeepMind 近日发布 Genie 4——新一代实时交互式仿真世界模型，已以研究预览形式向受邀的信任测试者开放。

按照 Google 的说法，用户只需设定一个事件的发生起点，Genie 4 就会推演接下来会发生什么：世界如何响应、听起来如何，其中的人物如何移动、反应和说话。用 Genie 4 生成的仿真可用于多种用途，既能为机器人和智能体开发训练环境，也能打造新的交互体验。

Gemini Omni 兜住真实感，自然语言实时改场景

Genie 4 融合并扩展了 Gemini 系列模型的能力，由 Gemini Omni 让仿真在世界外观与行为上贴近现实。用户可通过自然语言提示实时修改仿真内容，例如改变天气、移动镜头，或引入新的人物与物体；Gemini 会结合周围场景做上下文适配。

把 Gemini 与 Genie 4 结合后，可以建模复杂的多步骤事件，并在进入现实世界之前测试 AI 系统如何应对不同环境。为了做到实时，Gemini 3.8 Flash 在环路中充当引导智能体，把目标拆解为一系列步骤，并审阅输入的帧，逐项核验每一步是否达成。

空气动力学、碰撞，以及会说话的人

Genie 4 可仿真真实世界的物理场景，如空气动力学与碰撞。它也能仿真人：生成的角色会对所处环境作出反应，并可被实时交互操控。作为原生多模态模型，Genie 4 是 Google 首个原生生成音频的实时世界模型，音乐会与背景环境音、交互对白随世界画面同步生成。

Google 表示，已与创意产业、新闻、教育、游戏与工程等领域的信任测试者展开合作，并列出了以下用途：

• 电影创作者可走进某个场景的实时仿真，在实时中反复拍摄多条，调整机位、灯光、对白与动作。

• 摄影记者在探索如何让单张 2D 档案照片在几秒内变成该环境的可靠仿真。

• 团队在测试如何用有人、有动态的世界去体验历史空间，或可视化山洪、野火等短期环境事件的演进过程。

• 游戏开发者与创意技术专家在测试用 Genie 4 把初始想法在几秒钟内变成可探索的原型。

• 各行业的企业合作方在评估用 Genie 4 快速生成情境。

安全与已知局限

Genie 4 内置“严格的安全护栏”。在预览发布前，它已接受内部安全评估，以防止生成有害或恶意内容。Genie 4 生成的所有视频与音频都会嵌入 SynthID——Google 的不可感知数字水印技术。

关于局限，Google 在博客中写道：Genie 4 能在较短的会话内维持连贯的环境，但视觉细节与物体恒存性仍会随时间发生偏移或漂移，尤其是在仿真运行时间较长、经过多次复杂提示修改，或在场景中穿行时。

Google 还指出，复杂物理交互、实时音频准确性、可读文本的渲染、空间准确性与长期一致性，均是仍在研究的活跃课题。

Google 表示，正式向消费者与开发者发布之前，会先收集反馈，首批对象为 Project Genie 中的 Google AI Ultra 订阅用户，以及 Gemini API 与 Google AI Studio 的早期访问伙伴。Project Genie 中已开放 Genie 4 的候补名单。