Google 发布 Genie 4：实时世界模拟，现在带声音和因果

Google DeepMind 发布了 Genie 4，官方定位是“最真实、可交互的世界模型”。

Sundar Pichai 在 X 上放了一段实时演示：摩托车第一视角停在海岸公路的红灯前，戴着手套的手握住把手。输入“traffic light green”，Genie 4 让信号灯变绿，引擎转速上升，摩托车沿海岸线加速驶出。场景、声音、镜头全部实时生成。

这段演示的完整 prompt 写得很具体：阳光海岸公路、白色停止线、头顶红灯、摩托车第一人称视角。用户只加一句“traffic light green”，Gemini 就推理出接下来的多步事件：灯变绿，引擎发动，摩托车起步。

对于第一次接触世界模型的读者：它生成的是可进入、可交互的实时环境，和预先渲染好的视频有本质区别。用户用文字改变场景，AI 实时回应。Genie 4 在此基础上加入了原生音频、物理模拟和 Gemini 驱动的事件推理。

官方博客列出了 Genie 4 的核心能力：

实时操控：用自然语言改天气、移动镜头、加入新物体或人物。Gemini 会把输入适配到当前场景，并在两次操作之间持续监测画面，保持世界推进。
原生音频：环境声、音乐、角色对话随世界一起生成。角色可以实时回应事件，这是 Genie 4 第一次做到。
物理模拟：支持空气动力学、碰撞等真实物理。人物的动作和反应比上一代自然。
多步事件：Gemini 3.8 Flash 在循环里充当指导 agent，观察画面，把目标拆成步骤，再确认每一步是否完成。

背后的架构是 Gemini 家族协作：Gemini Omni 把模拟锚定在真实世界的样貌和行为，其他 Gemini 模型负责推理。第一批 trusted testers 已经把它用在影视预演、历史照片场景还原、游戏原型快速迭代和机器人仿真。导演可以走进实时生成的场景，现场调机位、灯光、对白；新闻摄影团队可以把一张老照片变成可探索的动态环境。

接入方面，Genie 4 以研究预览形式开放给 trusted testers，稍后覆盖 Google AI Ultra 订阅者的 Project Genie，以及 Gemini API 和 AI Studio 的 early access 合作伙伴。官方博客提供了 Project Genie 的 waitlist。

评论区已经有人等不及。有网友说“GTA 7 比 GTA 6 先到”；还有开发者自己用 360M 参数模型在浏览器里做了一个终端版世界模型，边等边玩。

Google 也在展示机器人方向。Rajat 在 X 上转发了一段视频：Gemini 4 Argon 把用户指令拆成实时步骤，Genie 4 渲染对应画面，让 Apptronik 的 Apollo 人形机器人下跳棋。因为 Genie 4 可以用文本实时控制，这条路指向机器人训练环境的快速生成。

官方也明确说了局限：Genie 4 还是早期研究模型，短会话内能保持连贯，但时间一长、复杂修改一多，视觉细节和物体恒存性会漂移。复杂物理、实时音频准确性、文字渲染、空间精度、长期一致性都还在改进。所有生成内容会打上 SynthID 水印。

世界模型赛道，Google 把重点放在“实时”和“原生音频”上。Genie 4 离可靠、可商用的通用模拟器还有距离，但已经能让 AI 生成一个可以走进去、改两笔、听到回应的世界。