一個維多利亞時代的下午茶餐桌上，熱氣騰騰的咖啡、蛋糕，還有一隻穿著西裝、舉止像人的老鼠，同時出現在同一個畫面。
畫面的輸入窗口，操作者接連輸入了幾條指令：“一隻豪豬走過”、“老鼠長出翅膀”、“它飛起來了”。原本普通的老鼠長出了翅膀，隨後飛向空中，最後落在了咖啡杯上。背景後，一排豪豬從咖啡杯後面緩緩走過。
這段頗具遊戲感的畫面，來自X上發佈的Genie 4實測視訊。
台北時間10月28日凌晨，Google DeepMind正式發佈新一代世界模型Genie 4。目前Genie 4隻面向Google AI Ultra訂閱使用者分批灰度推送，未來將逐步向Google AI Ultra訂閱使用者，以及Gemini API和Google AI Studio的早期合作夥伴開放。
相比上一代產品，新模型不僅能生成更加逼真的虛擬環境，還能在使用者探索過程中即時修改場景，並同步生成音樂、環境音和人物對話。根據The Verge的報導，Genie 4最長能保持兩分鐘的連貫場景，是Genie 3體驗版的兩倍，在物理效果和人類角色的一致性上也有更好的表現。
在X使用者的評測視訊中，讓一隻老鼠長出翅膀，隨時切換第一或者第三視角的走過世界，你還能通過WASD箭頭去移動和控制老鼠的走向，而這一切場景不會因此崩掉。
Google說，這是其迄今最逼真、互動能力最強的世界模型。真的如此嗎？
01
Genie 4究竟升級了什麼？
在過去的一些世界模型或是視訊生成模型中，使用者走過一棟房子，隨後轉身離開，再次返回時，那棟房子已經不是原來的樣子。
這是以Google Genie為代表的視訊生成路線，過去一直難以解決的問題——視訊一致性和互動能力。
Genie 4的突破，就是在已有的即時互動能力上，進一步增強環境真實感、自由控制能力和多模態模擬能力，文字對環境的干預能力也做了進一步提升。
在對人物動作及物理現象的模擬能力上，Genie 4現在可以做到模擬物體碰撞、空氣動力學等現象。例如，楓樹種子從空中旋轉落下，絲綢隨風起伏，人物在擁擠的火車站中走動。
在多模態方面，Genie 4加入了音視訊的聯合生成。過去的Genie 3是一個沒有聲音的虛擬世界。到了Genie 4，模型能夠在生成畫面的同時，預測相應的聲音，包括環境音、音樂及人物對話。
DeepMind研究工程師Hang Qi在採訪中介紹，Genie 4的音訊與視訊並非簡單地由兩個獨立系統先後生成，而是由同一個模型聯合預測，在涉及情境理解和響應的問題時，Gemini模型也給予了一定支援。
Genie 4另一項更值得關注的技術變化，是與GoogleGemini系列模型的進一步結合，研究團隊將這種方式描述為語言模型與擴散生成模型之間的協作，即“混合世界模型”。
根據Google DeepMind披露的資訊，Gemini Omni為虛擬世界的外觀和行為提供現實世界相關的基礎能力，Gemini 3.8 Flash則在模擬過程中承擔即時規劃和引導任務。
簡言之，就是Genie 4負責生成虛擬世界，Gemini在背後扮演導演，幫助這個世界按照一定邏輯持續運轉。世界模型開始從單純預測畫面，轉向結合多步驟規劃的動態模擬。
這一設計試圖解決純生成式世界模型的問題是，畫面可以持續生成，但模型很難長期維持複雜事件之間的因果關係。例如，在一間廚房裡，如果爐灶起火，接下來應該是煙霧出現、消防噴淋系統啟動、人物採取應對措施，而不只是畫面中出現隨機變化。通過引入Gemini的規劃與反饋能力，Google在努力讓場景演化遵循更連貫的事件邏輯。
02
應用：遊戲、電影與機器人
在應用方面，遊戲開發是最容易被聯想到的領域。
X上有使用者評論，如果能做成，這可能是史詩級的精神鴉片。
因為對傳統遊戲來說，製作通常需要美術設計、三維建模、物理引擎及程序開發等多個環節。世界模型可能讓開發者通過自然語言，快速生成可以探索的場景，遊戲的製作門檻被進一步拉低。
也許有一天，你可以自己在自己設計的開放遊戲裡面自由探索，你的每一次選擇、每一個想像都可以變成下一個劇情的觸發點。你可以建構一個和AI共創的、只屬於你的新世界。
影視製作也是Google正在探索的方向。
據Google DeepMind介紹，部分早期測試者已開始將Genie 4用於場景預演。創作者可以在虛擬環境中嘗試不同的鏡頭、光線、人物對話與動作，在正式製作前快速測試想法。
不過，Google對世界模型的長期期待並不止於內容生產。
機器人訓練被視為更具想像空間的應用之一。
現實環境中的機器人訓練往往面臨時間、場地和安全成本限制。如果能夠生成大量符合物理規律、可以持續變化的虛擬環境，機器人便有機會在進入真實世界前，反覆學習和測試不同任務。
在Google展示的機器人模擬案例中，Gemini 4 Argon負責將人形機器人完成跳棋任務的過程拆解為具體步驟，Genie 4再根據相關指令生成對應模擬畫面。研究團隊希望借此探索，能否通過生成大量虛擬場景，為機器人的訓練和任務規劃提供支援。
03
遇到的問題與收攏的行業
所謂“最強”模型也不是沒有問題。
Google DeepMind 工程師裡瓦斯承認，Genie 4仍處於早期階段，Genie 4的細節和物體會隨著模擬執行階段間變長會出現漂移。並且，他們仍未完全弄清楚如何保證音訊和文字的精準性。
以及最重要的是，這套系統仍然面臨計算效率和成本的挑戰。
研究工程師Hang Qi表示，為了讓模型真正實現即時運行，團隊需要反覆調整模型配置、最佳化不同元件，在生成質量、運行速度和計算資源之間尋找平衡。
而如何在保證畫面質量的同時降低延遲和計算開銷，將直接影響世界模型能否從研究演示走向大規模商業應用。
Google並不是這條賽道上唯一的參與者。
幾個月前，Runway推出了支援動態互動和音訊生成的世界模型GWM Worlds 2。與此同時，圍繞空間智能與世界模擬技術的產業整合正在加速。
今年9月，AMD宣佈以約82億美元收購李飛飛創立的世界模型公司World Labs，希望進一步佈局物理AI。10月，據華爾街日報報導，亞馬遜正在洽談以約70億美元收購AI初創公司Decart。電動汽車製造商Rivian則收購了世界模型初創公司Third Dimension，希望將相關模擬能力用於自動駕駛技術開發。
從生成互動世界，到支援機器人訓練、自動駕駛測試，世界模型的潛在價值正在超越內容生產。這也使得相關技術成為AI公司、算力廠商以及實體產業共同關注的新方向。
但創造一個看起來真實的世界，與創造一個能夠長期、穩定運行，並遵循可靠物理規律的世界，仍是兩回事。
對Google而言，Genie 4已經展示了世界模型進一步發展的可能性。而在這場不斷升溫的技術競爭中，誰能率先解決長期一致性、互動延遲和計算成本的問題，誰才可能真正推動世界模型走出實驗室。(AGI介面)