DeepMind 发布世界模型 Genie 4：实时改场景，自带环境声与对话

Google DeepMind 于 2026 年 10 月 27 日公布 Genie 4，称为迄今最真实、可交互的世界模型。用户可以在模拟进行中用自然语言改天气、移动镜头、加入人物或物体，并看到场景、声音和人物如何跟着变化。博文作者为 Raia Hadsell、Diego Rivas、Hang Qi。 官方博文：https://deepmind.google/blog/genie-4-a-new-generation-of-world-simulation/ 要点： 1. 画面由 Gemini Omni 支撑，用来贴近真实外观与行为；另有 Gemini 模型负责多步规划，让场景在推进时保持连贯。DeepMind 在线程里列出五项变化：照片级真实感、更强的物理（空气动力、碰撞、人物动作）、实时自然语言控制、原生音频，以及用 Gemini 做推理以维持一致性。 2. 物理与人物是这次强调的重点。官方写道，Genie 4 能模拟空气动力、碰撞等情形；人物动作更自然，会随环境反应，也可以在过程中被引导。演示包括枫树种子下落、物体碰撞，以及人群在车站里走动。 3. Genie 4 是 DeepMind 第一个原生生成音频的实时世界模型。风声、浪声等环境声随场景产生，也可以在提示里指定声音元素。官方把可交互对话视为下一步：人物能实时交谈，并随用户输入或世界里的事件改变反应。 4. 操作方式是实时交互的录像，而不是只看一段成片。键盘负责移动和镜头，文字提示负责中途改场景。Gemini 会把提示改写成与当前画面相符的内容，并在两次输入之间继续推动世界往前走。 5. 开放范围仍是研究预览。DeepMind 先给受信任的测试者试用，随后计划面向 Google AI Ultra 订阅用户的 Project Genie，以及 Gemini API 与 Google AI Studio 的早期访问伙伴。消费者与开发者的定价和时间表尚未在官方帖中公布。等候名单见博文。 6. 官方把用途说得很明确：理解并模拟世界，是通向通用人工智能的一步；这类可无限变化的模拟，用来给机器人和智能体做更安全的训练环境，也用于新的交互体验。具体机器人产品进度，官方帖没有给出可复现的指标。 和「生成一段视频再导出」不同，Genie 4 强调的是边走边改：画面、物理、环境声和对话在同一次模拟里一起出现。目前仍限于测试者，公开使用还要等 Ultra 与 API 早期访问。 原文：https://x.com/GoogleDeepMind/status/2115114028338962672 博文：https://deepmind.google/blog/genie-4-a-new-generation-of-world-simulation/