Google DeepMind 推出 Genie 4 世界模型研究预览版

Google DeepMind 于 2026 年 10 月 27 日宣布推出 Genie 4，这是一款用于实时交互式模拟的新世界模型，并以研究预览版的形式向受信任的测试者开放。

这则由 Raia Hadsell、Diego Rivas 和 Hang Qi 撰写的公告称，Genie 4 原生支持多模态，可在生成模拟世界的同时生成音乐、环境音和交互式对话。DeepMind 表示，该模型“实现了前所未有的逼真度，并提升了实时交互式模拟能力”，能够带来更出色的照片级真实感、流畅的动作和原生音频；演示中伴随画面的声音也由模型直接生成。

该模型融合并拓展了 Gemini 系列的能力。Gemini Omni为模拟场景奠定了贴近现实世界的外观与行为基础，而其他 Gemini 模型则提供复杂推理能力，帮助维持模拟过程的连贯性和连续性。有了这一基础，用户可以触发某个事件，由 Genie 4 模拟接下来发生的情况：世界如何响应、发出什么声音，以及其中的人如何移动、反应和交谈。

DeepMind 将理解和模拟世界视为构建 AGI 的关键环节。该公司表示，Genie 4 提升了其创建安全、变化无穷的模拟场景的能力，这些场景既可用于机器人和智能体的训练环境，也可用于打造新的交互式体验。

四大能力领域

DeepMind 展示的内容是实时交互过程的录屏：用户通过标准键盘控制和摄像机在不同世界中探索，并在场景不断变化时用文本提示引导其发展。展示的第一项能力是实时控制：用户可以用自然语言修改正在运行的模拟，例如改变天气、移动摄像机，或加入新的人物或物体；Gemini 会结合上下文调整提示，使其符合周围场景。在用户输入之间，Gemini 也会持续观察并引导场景，确保世界连贯地向前发展。

谈到物理规律和人类行为，DeepMind 表示，Genie 4 为实时交互式模拟树立了新的真实感标准，能够模拟空气动力学和碰撞等现实世界中的物理情境。该公司认为，最大的进步体现在对人物的模拟上：角色能够自然移动、自发地回应周围环境，并可由用户实时交互式操控。

DeepMind 称，Genie 4 是其首个能够原生生成音频的实时世界模型。每个世界都会呈现与自身环境相符的背景音，从林间风声到海浪拍岸声。该模型还引入了可即时调整的交互式对话：角色能够交谈，并对用户输入或世界中的事件做出反应，整个过程都实时进行。

对于复杂的多步骤事件，Gemini 3.8 Flash会作为引导智能体参与闭环。在 Genie 4 实时生成世界时，Gemini 会持续观察场景，将目标拆解为一系列步骤，并检查接收到的画面，确认每一步是否成功；当世界发生变化或用户介入时，它还会相应调整计划。DeepMind 表示，这使世界能够呈现可靠的因果关系、程序化行为和多步骤推理。

该公司还在尝试将 Gemini 4 Argon 和 Genie 4 与Gemini Robotics结合使用。在一个记录下来的示例中，Argon 将用户指示的任务拆分为多个步骤，并在模拟渲染过程中以文字说明的形式穿插呈现；这两个系统还模拟了 Apptronik 的 Apollo 人形机器人玩跳棋，并随着任务逐步完成而调整模拟内容。

受信任的测试者与未来工作

DeepMind 将 Genie 4 描述为一项重大的研究里程碑，但也指出它仍处于早期实验阶段。该公司一直与创意产业、新闻、教育、游戏和工程领域的受信任测试者群体合作。据该公司介绍，电影制作人正在测试将 Genie 4 用作快速“草稿模式”，以进行预可视化和构思：他们可以进入某个场景的实时模拟，在调整摄像机角度、灯光、对话和动作的同时实时拍摄多个版本。摄影记者则在探索如何在几秒内将一张二维档案照片转化为扎根于真实环境的模拟场景；还有团队正在测试，内容丰富、不断变化的世界能否帮助观众体验历史空间，或直观了解山洪暴发、野火等短期环境事件的发展过程。

游戏开发者和创意技术人员正在测试，能否在几秒内把最初的想法变成可供探索的原型；他们可以先通过自然语言提示检查视觉风格、材质美感和交互机制，再编写引擎代码。企业合作伙伴则在评估 Genie 4 能否用于快速生成从零到一的场景，并找出 DeepMind 可以弥补的差距，从而更好地满足模拟需求。

展望未来，DeepMind认为，混合世界模型是未来取得进展的一条很有前景的路径：这类系统将代码模型和语言模型的逻辑化、结构化推理能力，与像素级模拟所提供的丰富感官表征结合起来。在这种方案中，Gemini在幕后梳理结构并规划叙事时间线，而Genie则生成即时的物理现实，逐像素呈现世界的外观、声音和反应。

安全性、局限性与可用性

DeepMind表示，Genie 4设有严格的安全防护措施，与其针对其他模型制定的安全政策一致；在推出预览版之前，公司还通过内部安全评估对该模型进行了评测，以防止生成有害或恶意内容。公司称，特意先向值得信赖的测试合作伙伴部署Genie 4，以收集早期反馈。Genie 4生成的所有视频和音频都将包含SynthID。SynthID是DeepMind开发的一项不可感知的数字水印技术，用于识别视觉和音频模态中的AI生成内容。

谈及局限性时，DeepMind表示，虽然Genie 4能在较短的会话中维持环境连贯，但随着时间推移，视觉细节和物体的持续存在仍可能发生变化或漂移；模拟运行时间越长、经过多次复杂的提示词修改，或在场景中四处移动时，这种情况尤其明显。复杂的物理交互、实时音频准确性、文本清晰呈现、空间准确性以及长期一致性，仍是当前持续研究的重点领域。

Genie 4是Genie 3的后续版本。DeepMind于2025年8月5日公布Genie 3，并称其为首个支持实时交互的世界模型。Genie 3能够生成动态世界，用户可在其中以每秒24帧的速度探索；它能以720p分辨率维持数分钟的一致性。该模型以有限研究预览版的形式发布，仅向一小批学者和创作者开放。

DeepMind表示，Genie 4即将面向Google AI Ultra订阅用户在Project Genie中推出，并将向Gemini API和Google AI Studio的早期访问合作伙伴开放；Project Genie中的Genie 4候补名单现已开放。