2026年10月27日，Google DeepMind 正式宣布推出 Genie 4。这是一款全新的世界模型，旨在通过提升现实感并优化实时交互模拟能力，推动交互式环境生成技术的发展。
Genie 4 具备原生多模态能力，能够在生成视觉世界的同时，同步产出音乐、环境噪音以及交互式对话音频。该模型深度整合了 Gemini 家族的技术优势：Gemini Omni 负责确立模拟对象在现实世界中的外观与行为逻辑，而其他 Gemini 模型则提供维持模拟连贯性与连续性的复杂推理支持。
基于这一架构，用户只需启动一个事件，Genie 4 即可模拟后续发展，包括世界的物理反应、声音响应以及虚拟人物的移动、互动和言语表达。Google DeepMind 指出，理解并模拟世界是构建通用人工智能（AGI）的关键环节，其应用场景涵盖从机器人及智能体的训练环境开发，到全新交互式体验的创建。
目前，Genie 4 以“研究预览”形式向受信任测试者开放，主要面向 Project Genie 的 Google AI Ultra 订阅用户，以及 Gemini API 和 Google AI Studio 的早期访问合作伙伴。
四大核心功能升级
以下是来自 Genie 4 的实时交互记录说明，用户可通过标准键盘控制导航和摄像机视角，并通过文字提示引导场景演变。
实时塑造世界模拟
用户可以实时改变天气、移动相机或引入新的人物与物体。Gemini 会根据当前环境调整提示词以匹配周围场景，并在用户输入间隙持续监控和指导现场状态。
突破物理学与人类行动的现实主义边界
Genie 4 为实时交互模拟设立了新的现实主义标准。基于对世界先进物理规律的理解，该模型能够模拟真实的物理场景。其中最显著的突破在于对人类行为的模拟，能够创造出自然流畅的动作表现。
模拟世界的声音
作为首个具备本地音频生成能力的实时世界模型，Genie 4 能为每个生成的世界赋予独特的环境声效，如风吹树叶或海浪拍打海岸的声音。此外，模型引入了可随时调整的交互式对话机制，角色能够根据用户的输入或世界内发生的事件进行回应和交流。
利用 Gemini 模型模拟复杂事件
结合 Gemini 与 Genie 4，世界模拟增加了一层新的推理能力，使其能够处理复杂的多步骤事件。为实现实时运行，Gemini 3.8 Flash 充当循环中的指导代理：当 Genie 4 实时生成世界时，Gemini 持续观察场景，将目标分解为一系列步骤，并审查传入信息以跟踪进度和验证步骤成功与否。随着世界变化或用户干预，Gemini 会动态调整计划，从而解锁具有可靠因果关系、程序化行为和多步推理的世界模拟。
作为探索的一部分，团队还在试验将 Gemini 4 Argon 与 Genie 4 结合，以配合前沿研究与 Gemini 机器人项目。在示例中，Argon 将用户指导的任务分解为 Genie 执行的渲染步骤。这些步骤作为文本标题交错注入 Genie 4 的模拟过程中。由于 Genie 4 可通过 Gemini 的文字标题进行实时引导，这为在完成任务过程中调整模拟开辟了路径。
受信任测试者的反馈与应用
尽管 Genie 4 是一个重要的研究里程碑，但它仍处于早期实验阶段。为了了解交互式世界模型如何支持现实工作流程及其改进方向，Google DeepMind 与创意行业、新闻、教育、游戏和工程领域的受信任测试者进行了合作。
测试者强调，摄影现实主义、原生音频和实时方向盘的飞跃使得概念能够快速转化为现实模拟，开启了跨学科的新能力：
- 创意指导：创意人员和技术人员正在测试 Genie 4 作为预可视化构思的快速“草稿模式”。例如，电影制作人可以在现场模拟场景中实时运行多个“拍摄”，即时调整摄像机角度、照明、对话和动作。
- 历史情景与沉浸式照片：摄影记者正在探索如何将单张二维档案照片在几秒钟内转化为接地的环境模拟。团队正在测试人口密集、动态的世界如何帮助体验历史空间或想象短期环境事件。
- 交互体验概念设计：游戏开发人员和创意技术专家正在测试 Genie 4，以便从最初想法快速生成可在几秒钟内探索的原型。通过自然语言提示测试视觉风格、材料美学和交互力学，无需编写引擎代码。
- 模拟：除了机器人研究外，各行业的企业合作伙伴正在评估 Genie 4 作为快速“零到一”场景生成的工具，并确定进一步改进 Genie 以满足特定模拟需求的差距。
未来展望：走向混合世界模型
未来的进步途径之一在于混合世界模型，即结合代码和语言模型的逻辑结构推理与像素级模拟的丰富感官表示。拉近 Genie 和 Gemini 的距离是朝此方向迈出的第一步。Gemini 在幕后绘制结构和规划叙事时间线，而 Genie 则产生直接的物理现实，呈现世界的外观、声音和反应。这种互补优势有望释放出比单一方法更连贯、可控且具基础性的新型世界模型。
负责任地构建世界模型
Genie 4 标志着融合实时生成和摄影现实主义的前沿研究领域。与其他模型的安全政策一致，在推出预览版之前，内部严格的安全评估已用于防止产生有害或恶意内容。所有由 Genie 4 产生的视频和音频均包含 SynthID 水印以保持透明度。
当前局限性
Genie 4 仍是一个早期且不断发展的研究领域。虽然它能在短时间内保持连贯的环境，但视觉细节和对象的永久性可能会随时间推移而变化或漂移，特别是在模拟运行时间较长、经过多次复杂提示编辑或在整个场景中导航时。复杂的物理交互、实时音频精度、可读文本渲染、空间精度和长期一致性仍是正在进行的研究课题。
下一步计划
Genie 4 已作为研究预览发布给受信任测试者，并即将向 Project Genie 中的 Google AI Ultra 订阅者以及 Gemini API 和 Google AI Studio 的早期访问合作伙伴开放。
