谷歌发布新一代世界模型 Genie 4。相比一年前推出的 Genie 3，这一版本被谷歌描述为更逼真、更具互动性，但目前仍是研究预览版，只对受邀测试者开放，后续会先向 Ultra 版订阅用户开放，普通用户还需等待。
从“生成一段视频”到“运行一个可改变的现场”
常见视频生成模型的流程，是用户先输入提示词、图片或视频素材，再由模型输出完整内容。生成过程中，用户通常无法持续干预；如果结果偏离预期，只能重新生成或后期调整。
Genie 4 的变化在于，它试图让虚拟世界在生成过程中保持可修改。据谷歌介绍，该模型原生支持多模态，能够将音乐、环境音效、交互式对话与虚拟世界同步生成。例如，画面中的海浪声、风声可以与场景一同出现。
为了提升长程场景表现，Genie 4 与 Gemini 模型融合并扩展。Gemini Omni 负责把模拟画面的行为逻辑与真实世界锚定，其他模型负责维持模拟连贯性所需的复杂推理。实时生成时，Gemini 会持续观察场景，把目标拆成步骤，并通过检查画面帧来跟踪进度、验证结果。
用户也可以在生成过程中通过指令改变环境、加入新物体或新角色，原有角色会对新变化作出反应。这让世界模型不再只是生成一段固定视频，而更接近一个可以边运行边调整的虚拟现场。
视频创作只是入口，训练场景更接近核心
对普通创作者来说，Genie 4 的价值在于减少反复重生成的成本。用户不必等待整段视频完成后才判断效果，而可以在生成过程中指挥角色、道具和环境。谷歌也提到，该能力可用于新闻、教育、游戏、工程等场景，帮助用户把想法快速变成可探索的原型。
但更值得关注的方向，是自动驾驶和机器人训练。华为、小鹏等企业已在通过世界模型生成场景，训练智驾系统，提升其在长尾、复杂场景下的通行能力。如果模型可以实时接受指令，训练过程就可以临时加入前方团雾、暴雨等突发情况，检验系统的应变能力。
机器人训练同样需要动态环境。可实时交互的世界模型能根据自然语言改变场景、物体、光照和布局，生成会移动、会被碰倒、有声音反馈的物体。结合原生音频同步，它还可以训练视觉与听觉结合的多模态具身智能，例如根据掉落声音或环境声音判断状态。传统仿真要低成本实现这些维度，并不容易。
- 影视与内容创作：生成过程可被实时约束。
- 教育、新闻、工程等场景：快速生成可交互创意原型。
- 自动驾驶与机器人：动态制造突发状况，训练开放环境应对能力。
2分钟、物理可信度和商业化仍是门槛
Genie 4 仍有明显边界。谷歌称其相较上一代有升级，但最长只能维持约 2 分钟的连贯性。如果任务时间更长，物体一致性会面临挑战。
游戏场景的要求也更高。一个可存档、可联机、碰撞判定精确、规则可复现的游戏世界，需要“每一帧都可计算”。生成式模型擅长产生看起来合理的画面，但未必擅长稳定复现规则；构建完整虚拟世界的成本也远高于生成一段视频。因此，短期内 Genie 4 一类模型很难直接支撑虚拟世界游戏。
在具身智能训练中，Genie 4 也不能直接替代物理仿真。它模拟的世界只是看起来接近真实世界，与现实仍有差异，真机数据依然重要。
接下来，Genie 4 需要回答三个问题：向普通用户开放的时间和定价是否明确；长程一致性能否持续提升；“生成—训练—迁移”的闭环能否在具身智能领域跑通。与此同时，Runway 的 GWM Worlds 2、京东 JoyAI-EchoWM、阿里 Happy Oyster 等模型也在探索相似能力。世界模型的竞争，正在从“能否生成”转向“能否实时交互”。
原创文章，作者：点点，如若转载，请注明出处：https://www.dian8dian.com/gu-ge-genie-4-fa-bu-shi-jie-mo-xing-kai-shi-zhi-chi-bian
