编译/VR陀螺

10月27日，谷歌旗下Google DeepMind正式发布新一代世界模型Genie 4。相比前代Genie 3，新模型进一步提升了视觉真实感、物理模拟及实时交互能力，并首次支持原生音频生成，可在构建虚拟场景的同时，实时生成环境音效、音乐及人物互动对话。

据谷歌介绍，Genie 4能够持续生成可交互的动态环境，用户可通过键盘控制镜头或角色移动，也可输入自然语言指令，实时调整天气、切换视角、添加人物或物体，而无需重新生成整个场景。在物理模拟方面，模型强化了对空气动力学、碰撞及人物动作的模拟能力，使虚拟角色能够根据环境变化作出相应反应。

此外，音频生成也是此次升级的重点。Genie 4可根据场景内容同步生成风声、水声、音乐及人物对话，虚拟角色还能够根据用户输入和场景事件实时调整语言与行为，实现视觉、声音和交互的协同生成。

在技术架构上，Genie 4进一步融合了Gemini系列模型的能力。其中，Gemini Omni为虚拟环境提供现实世界的视觉与行为知识，Gemini 3.8 Flash则承担任务规划与场景引导，通过持续观察生成画面、拆解目标并调整后续步骤，提升复杂事件模拟的连贯性。

谷歌还展示了Genie 4与Gemini 4 Argon协同模拟机器人任务的实验。在演示中，Gemini负责分解任务，Genie 4根据实时指令生成相应环境，模拟Apptronik Apollo人形机器人执行国际跳棋任务的过程。谷歌认为，这种结合推理模型与世界模型的方式，有望为机器人及AI智能体提供更加灵活的虚拟训练和测试环境。

应用方面，Genie 4可用于游戏原型开发、影视预演、历史场景重建及工业仿真等领域。不过，谷歌表示，该模型目前仍处于早期研究阶段，在长期场景一致性、复杂物理交互、音频准确性及空间精度等方面仍存在局限。

目前，Genie 4已向部分受邀测试者开放研究预览，后续计划通过Project Genie向Google AI Ultra订阅用户及部分开发者开放。