Google版「駭客帝國」，今夜徹底成真了！
就在剛剛，Google DeepMind甩出深夜王炸，正式發佈新一代通用世界模型Genie 4。
這是Google迄今為止最逼真、最具互動性的AI世界模型。
一句提示詞，就能直接造出一座能張嘴接戲、即時改命的「活體宇宙」！
GoogleCEO劈柴第一時間宣佈：從「生成一段視訊」到「即時運行一個世界」，言出法隨的「綠洲」時代來了！
劃重點，這次的Genie 4，直接把世界模型拉進了「有聲、有人、有大腦」的全新紀元：
Genie系列首次原生生成聲音與即興對話。同步生成環境音與配樂，更能讓角色根據突發狀況張嘴即興交談。
2分鐘連貫長記憶，24幀絲滑互動。單次連貫世界維持時間翻倍至約2分鐘，實機畫面穩定在約24幀/秒。
重塑逼真人類與剛體物理。借助Gemini Omni錨定現實常識，人物微表情、鏡面反射與物理碰撞全面躍升。
三大Gemini聯手組成「混合世界模型」。Gemini 3.8 Flash在後台盯畫面當「導演」，Gemini 4 Argon拆解22步精細動作指揮機器人下跳棋。
你往前走一步，世界就即時長出一吋；你改一句話，物理法則和NPC台詞當場跟著重寫。
當視訊模型還在比拚幾秒鐘的鏡頭美感時，Google已經為未來的通用Agent與機器人，造出了可以無限試錯的平行宇宙。
現在，Google已經開始內測Genie 4， Google AI Ultra使用者可以去申請waiting list了。
只要一句話，為你當場「生成一個宇宙」
為了展示 Genie 4 的統治力，Google放出了一系列極具震撼力的Demo，風格之跨越，細節之變態，讓人歎為觀止。
而且，在 Genie 4 面前，你不再是觀眾，你是「第一人稱遊戲玩家」，是這個世界的「上帝」。
你敢信，下面這段王家衛風滿滿的香港大橋飆車戲，根本不是原片？
後座的女孩剛喊出台詞，玩家敲進兩行字：「背景發生爆炸」「毀滅世界的巨型外星觸手」。
緊接著，遠處的維港天際線立馬火光衝天，外星觸手直接從天砸落！
連路燈的橘色拖影、女主的皮膚質感和細微的擔憂表情，都在長鏡頭中被完美渲染。
去年的Genie 3雖然開創了即時互動視訊的先河，但有一個致命短板——沒有聲音，生成真人時也漏洞百出。
Google直接放出了一段Genie 3與Genie 4的同屏對比。
左邊Genie 3還是五官粘連、肢體僵硬的無聲紙片人；右邊Genie 4在Gemini Omni的現實常識錨定下，已經能拍出化妝鏡暖光、演員微表情，甚至鏡面的即時倒影，細膩得如同實拍長鏡頭。
拿到搶先測試資格的華頓商學院教授Ethan Mollick，曬出第一手實測錄屏。
他只喂了一句「由馬和機器人共同居住的新哥特式粗野主義城市」，不到1分鐘，這座城市就出現了。
單幀延遲穩定在23.4至25.3 FPS。隨手點一下「巨龍掠空」按鈕，一頭巨龍幾秒內便搧動雙翼，呼嘯掠過！
還不夠過癮，他又輸入：「一隻友好的水獺NPC走過來問問題」。
緊接著，街角當真跑出一隻穿馬甲的水獺，用倫敦腔搭話：「打擾一下，旅行者。」
緊接著，他又曬出一段神級實測：在Genie 4里跑《毀滅戰士（DOOM）》！
他先設定「走進一間每台電腦和牆壁都在跑DOOM的辦公室」，接著連敲三道指令：「惡魔同事出現」「手裡拎著加特林機槍」「給我發了一筆獎金」。
話音剛落，真的走出一位惡魔同事，雙手轉著重型加特林，當場發起獎金！
a16z 合夥人Justine Moore也曬出了水下潛行實測，表示這是巨大的飛躍。
在海底洞穴中點下「受詛咒的紫鑽發光」與「電鰻群襲來」，洞穴深處瞬間紫光爆閃、出現巨大電鰻群。
再點一下「幽靈海盜現身」，立馬出現海盜船長亡靈，太逼真了。
前GoogleAR/3D產品經理Bilawal Sidhu，則把Genie 4當成了科幻大片的即時虛擬片場：
他召喚出UFO，打出一句「它把我吸了進去」——UFO瞬間轟開牽引光束，準備把人吸進去。
四大關鍵功能
Google官博介紹，Genie 4提升了四大關鍵功能。
即時塑造世界模擬
我們可以使用自然語言即時修改模擬場景——例如改變天氣、移動鏡頭或引入新的人物或物體——Gemini 會根據周圍場景調整我們的指令。輸入指令的間隙，Gemini 還會監控、引導場景，確保整個世界流暢發展。
聽起來，簡直是盜夢空間成真了？
一個男人在島上吹著薩克斯，敲下「鯨尾出現」，他身後的水中立刻出現鯨魚。
隨後，我們讓這個世界開始下雪，鵝毛大雪立刻飄落。
要是把鏡頭拉到第一人稱視角，這種即時改寫世界的衝擊感還會進一步放大。
這個畫面中，我們以140公里的時速騎著巨龍俯衝，掠過古堡，如果下令「城堡發射火球」，塔樓當場噴出烈焰，火球擦身而過，刺激感拉滿。
下面這個場景中，Genie 4先根據使用者提示生成了南極冰封大地，然後生成了第一人稱視角的乘熱氣球場景。
拓展物理學和人類行為的現實邊界
這次，Genie 4為互動模擬引入了全新的真實感標準。
基於對世界物理的超強理解，Genie 4對於真實世界的物理場景模擬得十分逼真，比如空氣動力學、碰撞等等。
而Genie 4 最顯著的進步就在於模擬人物，它能創造出自然移動、對環境做出反應、可即時互動式操控的角色。
80年代的日本鄉村車站，給一個prompt，乘務員就會喊出發車提示。
再給一個提示，立馬讓一位老婦人提著行李箱出現。
接下來的畫面，讓我們感嘆Genie 4物理互動的極度逼真。
戶外庭院的檯子上，讓大理石半身像砸向西瓜。
砰的一聲悶響，瓜瓤與汁水四處飛濺——從重力衝擊到碎片軌跡，Genie 4在即時互動中還原得恰到好處。
對柔體力學與空氣動力學，Genie 4同樣手拿把掐。
草甸上的粉色絲綢，只要吹起一陣風，立刻迎風翻湧出層層絲滑波浪，十分真實。
一隻楓樹種子掉落到地上的特寫鏡頭，都逼真不已。
把鏡頭推到毫釐之間的微距視角，楓樹翅果像直升機螺旋槳一樣自旋滑落，輕輕停駐草葉之間。
告別「無聲蠟像館」，Genie 4能模擬聲音了！
Genie 4 是Google的首款原生生成音訊的即時世界模型。
每個世界都擁有自身環境的聲音，比如樹葉沙沙作響，海浪拍打沙灘。
然而，真正的挑戰還是人類語言！Genie 4 引入了即時互動對話功能。角色會根據你的輸入或事件進行即時對話和反應。
這個半透明的3D彩繪玻璃世界中，用提示詞召喚出一隻鹿。最吸引人的是，它的腳步聲都自動變成清脆的琉璃碰撞聲。
硬核架構拆解：三大Gemini輪番上陣，搭起「混合世界模型」回路
如果僅僅把Genie 4當成畫質更好、能發聲的「大號視訊生成器」，那就低估了Google DeepMind的野心。
過去的即時世界模型之所以玩不過幾十秒就容易崩盤，是因為純像素預測缺乏長程邏輯規劃，往往做完第一步，就把後面的目標忘得一乾二淨。
為了治癒這個頑疾，Google這次端出了極具顛覆性的「混合世界模型」架構，派出三款Gemini模型與Genie 4組團打配合。
這樣，世界模擬就增添了一個全新的推理層面，讓Genis 4能模擬複雜的多步驟事件，並在將AI引入現實世界之前，測試它們如何在不同環境中運行。
第一重配合，是讓Gemini 3.8 Flash在循環回路里充當即時控場的「總導演」。
當Genie 4在前面逐幀生成畫面時，Gemini 3.8 Flash就在後台即時盯著畫面拆解多步推理序列，一邊驗證當前步驟是否完成，一邊下達下一步指令。
隨著使用者干預，Gemini會立刻調整，生成具有可靠因果、程式設計師行為和多步驟推理的世界。
看看下面這場近景魔術：玩家每次關上箱門揮動魔術棒，右上角的Gemini 3.8 Flash就會確認步驟完成，指揮Genie 4先把孔雀變成橘貓，再把橘貓變成復古收音機！
那怕半途突然改戲，這位「總導演」也能當場重排劇本。
比如在冰天雪地裡讓一顆流星劃過，再指揮灰冠鶴走到電子琴前啄出旋律，最後讓它一飛衝天。
如果說Gemini 3.8 Flash解決了「世界怎麼按邏輯演進」，那麼Gemini 4 Argon與Gemini Robotics的加入，則捅破了具身智能與機器人訓練的天花板。
當人類下達一句「跟對面的男孩下跳棋，走一步紅棋」，左側的Gemini 4 Argon會瞬間將任務拆解為22步毫米級動作劇本。
這些高密度指令即時注入Genie 4的生成流中，驅動右側的Apollo機器人行雲流水地完成捏棋、走子與對弈。
甚至，Genie 4還能進實驗室做精密科研。
那怕是工業級的UR5六軸機械臂，也能在Genie 4里精準夾持移液管，插入微孔板滴注液體。
即便中途把目標挪走，模型也能即時重算策略，按新位置完成抓取。
通往ASI的必經之路，是先造出一個世界
什麼是真正的「世界模型」？
是你推開一扇門，轉身離開30秒，再走回來，那扇門依然開著。
能記住物理規律，能維持空間記憶——這，就是視訊模型與世界模型的分水嶺！
現在，Google Genie 4 做到了。
靠著「海量無標籤視訊預訓練+少量動作軌跡微調」，再加上Gemini的符號邏輯與長程記憶，Genie 4一舉將單次連貫世界的維持時間推到了約2分鐘。
從此，建構互動環境徹底告別了繁瑣的手工3D建模。
現在，Genie 4已向Google AI Ultra使用者開放，更將作為史上首款進入Gemini API與Google AI Studio的世界模型向開發者敞開大門。
我們能看出Google的野心：真正的 AGI，絕不可能只活在對話方塊裡！
當AI學會在自己創造的平行宇宙裡窮盡萬千種物理可能，它真正推開現實世界大門的那一天，也就不再遙遠了。(新智元)