昨天深夜（美國時間 10 月 27 日），Google DeepMind 發佈了 Genie 4。
看完官方頁面和演示，我的判斷是：世界模型這次從“能走進去看”，變成了“能邊走邊導演”。畫面、環境聲和角色對白一起即時生成，你打一行字，世界就跟著變。
官方的說法是：“我們新的世界模型，帶來前所未有的真實感，並改進了即時互動模擬。”
官方說 Genie 4 畫面更真實，動作更流暢，還有原生聲音。視訊裡的聲音全部由 Genie 4 直接生成。
世界模型和視訊模型不一樣。視訊模型生成一段視訊，你只能看。
世界模型生成一個能走進去的場景。你按鍵盤走動、轉鏡頭，畫面即時跟著變。
DeepMind 做這個，不只是為了好玩。官方說，理解和模擬世界是通往 AGI 的關鍵一環。
模擬出來的世界，可以給機器人和 AI 代理當訓練場。AI 先在模擬裡練、在模擬裡測，再進真實世界。
Genie 4 背後接了兩類 Gemini。Gemini Omni 負責讓畫面裡的樣子和行為貼近真實世界。另一類 Gemini 負責推理，讓模擬前後連貫。
官方把這次的進步分成四塊：即時改世界，物理和人物，聲音，多步驟事件。下面一塊一塊看。
即時改世界：鍵盤走，打字改
官方頁面的演示都是即時互動的錄屏。使用者用鍵盤控制移動和鏡頭，用文字提示改變場景。
畫面左下角是 WASD 按鍵，右下角是方向鍵，中間會彈出輸入框。
最有代表性的是湖上吹薩克斯這段。
一個男人站在湖中的平台上吹薩克斯。使用者輸入“一條鯨魚的尾巴在他身後升起”，水面翻起水花。
使用者再輸入“開始下雪”，雪落下來，慢慢積在他的外套和頭髮上。整個過程裡，鏡頭一直在動，人一直在吹。
官方原話是：你可以用自然語言即時修改模擬，比如改天氣、移動鏡頭、加一個人或物體。Gemini 會按周圍場景調整你的提示。兩次輸入之間，Gemini 還會監控並引導場景，讓世界連貫地往下走。
這一點在官方演示裡看得見。使用者只打了半句“開始下……”，右上角的“推理步驟”框裡，Gemini 把它擴成了一整段：使用者要求持續的大雪；把大雪融進場景，同時保持角色的薩克斯演奏、16mm 紀錄片的質感和環境的一致。
也就是說，你打的字不是直接交給 Genie 4。中間先過一道 Gemini，它把你的話改寫成適合當前畫面的指令。
物理和人物：西瓜被砸開，站務員會說話
官方說，Genie 4 能模擬空氣動力學、碰撞這類物理場景。
下面這段，石台上放著一個西瓜。使用者輸入“把一尊沉重的白色大理石古典半身像砸在西瓜上”。
官方認為，人物是這次“最大的飛躍”。角色動作自然，會對環境做出反應，也能被即時引導。
官方放在這一組的還有一段 80 年代日本鄉下車站。站台上擠滿了人，一列紅色的列車停在最近的軌道上。
使用者輸入“站務員提醒乘客”。站務員轉向鏡頭說：“請注意站台邊緣，下一班車兩分鐘後發車。”
聲音：角色會接你的劇情
官方說，Genie 4 是他們第一個原生生成音訊的即時世界模型。每個世界都帶自己的環境聲，從樹林裡的風聲到海灘的浪聲。
官方認為，真正的前沿是人說話。Genie 4 加入了即時對話，角色會對你的輸入、對世界裡發生的事做出反應。
兩個年輕人騎摩托車過橋。使用者輸入“他回頭看。她問他覺得他們能不能挺過去”。
後座的女孩隨後開口：“你真覺得我們能挺過去嗎？”
使用者又先後輸入了爆炸和“巨大的外星觸手”。遠處的城市冒起濃煙，巨大的觸手從樓群裡伸出來。
多步驟事件：Gemini 在旁邊盯著
這一塊用到的是 Gemini 3.8 Flash，Gemini 系列裡偏快的一個型號。
官方說，它在循環裡當“引導代理”。Genie 4 即時生成世界時，Gemini 持續觀察畫面，把目標拆成一串步驟，再看新進來的畫面，確認每一步有沒有成功。
世界變了，或者使用者插手了，它就當場調整計畫。
下面這段能看到這個過程。右上角的“推理步驟”框，就是 Gemini 寫給 Genie 4 的指令。
玩家拿著魔杖，盒子裡站著一隻孔雀。使用者輸入“一道閃光把孔雀變成貓”。
右上角的框隨即寫出：玩家把雕花木魔杖向前一揮，一道魔法閃光，把木盒裡的孔雀變成一隻三花貓。畫面跟著變了。
官方還拿它做了機器人實驗。這次負責拆步驟的換成了 Gemini 4 Argon。它和 Genie 4 一起，模擬 Apptronik 的 Apollo 人形機器人下跳棋。
Argon 把使用者佈置的任務拆成步驟，以文字的形式穿插著交給 Genie 4。Genie 4 一邊接收，一邊渲染。
注意，這是在模擬裡下棋，不是真機器人在下。官方說，這為在想像出來的世界裡模擬各種場景開了一條路。
受信任測試者拿它做什麼
官方說，Genie 4 還是一個早期、實驗性的模型。他們和創意行業、新聞、教育、遊戲、工程領域的測試者合作，看它能用在那、還差在那。
官方列了四類用法：
第 1 類 · 共 4 類
創意預演
電影人可以走進一個即時模擬的場景，拍好幾條，現場調鏡頭、燈光、台詞和動作。
第 2 類 · 共 4 類
歷史場景
攝影記者在試，一張歷史老照片能不能在幾秒內變成走得進去的場景。團隊也在試用它看山洪、山火這類短時事件怎麼發生。
第 3 類 · 共 4 類
互動體驗原型
遊戲開發者在寫引擎程式碼之前，用自然語言測視覺風格、材質和玩法，幾秒鐘從想法到可以探索的原型。
第 4 類 · 共 4 類
模擬
企業夥伴在評估用它快速生成“從零到一”的場景。
上面四類用法，都是官方轉述測試者的說法，沒有具體案例和效果資料。
拿到的人怎麼說
能用的人不多。下面幾位，要麼拿到了早期訪問，要麼就在 Genie 團隊裡。
華頓商學院的 Ethan Mollick 說，Genie 4 是“相當瘋狂的體驗”，邊玩邊生成遊戲一樣的環境。
“它不是完美的，但我輸入‘住著機器人和馬的新哥特粗野主義城市’，一分鐘就造出來了。然後我讓它加龍，再加一隻友好的水獺 NPC，全是即時的。”
他的錄屏裡能看到 Project Genie 的介面。右上角有一個影格率讀數：每秒 24 幀左右，最低 21、最高 25，每幀約 41.7 毫秒。官方沒公佈影格率，這是目前能看到的唯一數字，只來自他這一次錄屏。
他還造了一間到處在跑 DOOM 的辦公室：每台電腦在跑 DOOM，牆上也在跑 DOOM。接著他輸入“我那個是惡魔的同事出現了”“他拿著鏈槍”“他給了我一筆獎金”。
Justine Moore（@venturetwins）說，從一個起始提示就生成了帶環境和角色的可互動世界，能用提示改，帶原生音訊，是“一大步”。
Genie 4 的核心作者之一 Aleksander Hołyński，發了一個更私人的用法：走進老照片。
“它代替不了真正的記憶，但走進老照片會讓人釋懷，尤其是照片裡有已經不在的家人。”他走回的是和媽媽在波多黎各海邊夜裡散步的一張老照片。
他說，原圖是舊相簿裡一張很暗、很糊、解析度很低的照片，生成出來卻挺接近真實。他還特意讓它別顯示媽媽的臉。
有人在下面留言，說這以後可以拿來重建犯罪現場，對警察和司法會是革命性的。Hołyński 自己的回覆是：短期內應該避免。
“這些畫面看起來很真，它們本來就是要看起來真，但並不總是符合事實。我會避免用它們去做後果嚴重的事。”
參與過 Genie 早期研究的 Jeff Clune 回顧了這條線。Genie 1（2024）勉強能用，Genie 2 八個月後還行，Genie 3 又過九個月變得驚人。到 Genie 4，“看起來已經可以用在好萊塢和 VR 上了”。
質疑也有。The New Stack 在 X 上的說法是：Genie 4 讓 AI 代理在生成的世界裡練習多步驟任務，但“不穩的物理限制了它有多可信”。
這些都是個人體驗或媒體判斷，沒有一條是同一批提示的對比測試。說話的人裡，Hołyński 和 Clune 跟 Genie 團隊有直接關係。
誰能用：現在只有受信任測試者
官方原話是：Genie 4 已作為研究預覽，發給了受信任測試者。
接下來“即將”開放給兩撥人。一撥是 Google AI Ultra 訂閱者，在 Project Genie 裡用，官網的候補名單就開在這裡。另一撥是 Gemini API 和 Google AI Studio 的早期訪問夥伴。
Logan Kilpatrick 也說，它即將首次通過 API 提供。價格、地區、商用條款，目前都沒公佈。
沒有能比的數字
上一代 Genie 3，官方給過數字：720p，每秒 24 幀，場景能保持幾分鐘一致。Genie 4 的頁面沒有這些數字。前面 Mollick 錄屏裡的每秒 24 幀左右，是個人使用時的讀數，不是官方參數。
Artificial Analysis 也還沒收錄 Genie 4，目前沒有第三方成績。
演示視訊本身也要打個折扣。每段視訊畫面底部都有一行小字：“結果僅作示意，片段已剪短。”
也就是說，我們看到的是剪短的片段，不是連續玩半小時的樣子。
官方自己寫下的短板
官方在“當前侷限”一節寫得很直白。短時間內場景能保持連貫，但時間一長，畫面細節和物體持續性會變、會漂。
物體持續性，指的是東西離開視線再回來，還是原來那個樣子。
模擬跑得越久、複雜編輯改得越多、在場景裡走得越遠，越明顯。複雜的物理互動、即時音訊的精準度、可讀的文字、空間精準度、長期一致性，都還在研究中。
安全上，官方說上線前做了內部安全評估。先發給受信任測試者，是為了在更大範圍開放前拿到早期反饋。
Genie 4 生成的所有視訊和音訊，都帶 SynthID 水印。這是Google自己的隱形水印，用來識別 AI 生成的內容。
這幾條短板正好對著賣點。聲音有了，准不準是另一回事。能打字改世界，改多了會不會亂，官方自己也說會。
最後
DeepMind 在文末說了他們看好的方向：混合世界模型。程式碼和語言模型負責邏輯和結構，像素級模擬負責感官。
具體到 Genie 4，Gemini 在後台規劃結構和劇情時間線。Genie 一個像素一個像素地渲染世界長什麼樣、聽起來怎樣、怎麼反應。
官方說，這是往這個方向走的早期一步。
它強在方向：畫面、聲音、對白一起即時生成，還能邊玩邊改。弱在證據：沒有第三方成績，沒有可比的參數，演示是剪短的，普通人也用不上。
等 API 放出來，有人拿同一批提示連續玩上十分鐘，才知道它到底走了多遠。 (AI范兒)