作者｜青和 编辑｜四月 如果 AI 不再只是生成一段视频，而是直接创造一个可以走进去、随时改变，甚至能与其中人物交流的世界，会发生什么？ 谷歌最新发布的 Genie 4，正在把这一设想推向现实。 当地时间 10 月 27 日，Google DeepMind 正式推出 新一代世界模型 Genie 4， 称其为「迄今为止最逼真、交互性最强的世界模型」。 相比此前主要突破实时场景生成与交互的 Genie 3，新模型进一步 引入原生音频生成、自然语言实时操控、复杂物理与人物行为模拟 ，并借助 Gemini 系列模型 实现多步骤事件推演 。 在官方演示里，用户用键盘控制导航和镜头，用文本 prompt 改变场景：改天气、移动镜头、往场景里加人或物体。比如让一片草地上多出一条粉红色绸缎，或者把镜头放到南极冰原上空的热气球篮筐里。场景会实时响应，角色也会根据新设定继续行动。 这套能力背后由 Gemini系列模型接管。 Gemini Omni 负责让画面贴近现实世界的外观和行为，其他 Gemini 模型 负责把请求翻译成动作、规划复杂事件、观察画面并跟踪进度。当用户改变指令时，Gemini 会现场调整方案。 在另一组演示中，Gemini 4 Argon 甚至开始指挥 Genie 4，一步步模拟人形机器人下跳棋的过程。 可以看到，这已经不只是传统意义上的 AI 视频生成，而是 向可交互、可控制、可用于 AI 训练 的世界模拟系统迈进。目前，Genie 4 已面向少量受信任的测试者开放研究预览，后续将逐步提供给 Google AI Ultra 订阅用户，以及 Gemini API、Google AI Studio 的早期合作伙伴。 参数方面，Genie 4单次生成的交互体验 最长可达2分钟 ，上一代Genie 3的时长上限为1分钟。这个数字看着不起眼，对游戏开发者验证单段玩法、影视主创预览单组镜头来说，已经足够覆盖最基础的测试需求。 AI世界开始“活”起来 此次谷歌展示了四个方面的能力升级： 实时改变世界、物理与人物行为模拟、原生声音生成，以及结合 Gemini 进行复杂事件推演 。 其中一些演示，已经相当接近 可交互游戏与真实影像 的结合。 首先，用户不必提前设计好整个场景，就能在生成过程中随时改变世界。 在一组演示中，一名身穿棕色西装的萨克斯演奏者站在湖面中央的漂浮平台上。周围是雾气弥漫的森林、缓缓流动的湖水，以及一个散发暖光的球体。 人物持续演奏，手指、呼吸和身体摆动自然衔接，摄像机则能够独立移动，从不同位置观察整个环境。这里的关键并不是把画面做得像电影，而是摄像机可以自由探索场景，同时维持人物、物体与周边环境的空间关系。 用户还能通过键盘控制移动与视角，利用文字指令实时改变天气、引入新人物或物体。Gemini 会根据当前环境理解这些要求，并在用户没有继续输入时协助维持场景发展。 其次，物体不再只是画面中的装饰，人物和环境开始表现出更复杂的运动规律。 在谷歌展示的另一批案例中，完整的西瓜置于石台上，枫树种子旋转着落入草地；还有一座挤满乘客的日本乡村火车站，人们在站台上行走、候车，与周围环境共同构成一个动态场景。 谷歌强调，Genie 4 提升了对空气动力学、碰撞等物理现象的模拟能力，尤其在人物动作方面取得了明显进展。模型可以生成更自然的人体运动，让角色根据周围环境作出反应，并接受实时操控。 不过，这里的物理模拟仍然是模型根据学习到的世界规律生成结果，并不意味着所有物理过程都经过精确计算。 第三，Genie 4 让 AI 世界第一次具备了原生生成的声音。 演示视频里，你骑在龙背上，穿过山脉，周围是其他骑手。你仿佛坐在巨龙背上，以提示词设定的时速 140 公里穿越群山，左下角的 WASD 提示则是告诉你，你确实在“玩”这个生成的场景。 伴随飞行出现的，不只是快速掠过的山峰与城堡，还有巨龙振翅的轰鸣、高空呼啸的气流，以及远处火山活动的声音。这些声音 并非演示后期额外添加，而是由 Genie 4 直接生成 。 更进一步，模型还可以实时生成人物对话。场景里的角色能够根据用户输入或世界中发生的事件作出语言回应，而不是只重复预先准备好的台词。 对于虚拟角色、互动叙事乃至游戏开发而言，这个变化相当重要。开发者需要创建的，不再一定是写死每一句台词、每一次反应的角色， 而可能是一个能够随着情境变化持续产生行为与对话的模拟人物 。 在由开发者Justine Moore（同时也是a16z的合伙人）真实生成的视频，展示了一个更复杂的完全实时生成的游戏世界。整个场景从一条提示词生成，环境加角色，然后就能用提示词改变事件。 视频里，一个穿潜水服的角色在洞穴里探索，脚下散落着金币，旁边一只木桶。屏幕上方有提示文字，写着 Describe changes to your w