谷歌 DeepMind 发布 Genie 4：世界模型新增音频、更真实的物理与 Gemini 规划

谷歌 DeepMind 于 2026 年 10 月 27 日发布了 Genie 4，这是其实时世界模拟模型的第四代，也是 Genie 系列中第一个在生成交互式视频的同时原生生成音频的版本。这次发布不只把 Genie 定位为创作工具，更将其定位为物理 AI 系统的训练基础设施。这一战略转向远远超出游戏和影视，延伸到机器人和自主智能体开发领域。

四大能力支柱：Genie 4 到底改变了什么

相比 Genie 3，这次发布带来了四项技术改进。实时世界生成如今会随着用户用自然语言操控而持续演变（改变天气、引入角色、在场景中途调整物理规则），每次编辑都无需整体重新生成。物理模拟进一步深化，可以模拟碰撞动力学、空气动力学和物体形变；演示片段中，一个西瓜在撞击时碎裂，一个人物以逼真的动量跌落。最与众不同的是，模型原生生成音频：环境音景、音乐和角色交互对白与视觉世界同步生成，而不是由另一个系统事后叠加。场景连贯时长延长到每次约两分钟，大约是 Genie 3 上限的两倍。

这四项改进均为公司自述。针对世界模型的独立基准测试仍然很少，DeepMind 的演示也是精心挑选的展示，而不是第三方评测。

Gemini 3.8 Flash 成为闭环规划智能体：改变叙事的架构

最能改变 Genie 4 用途的能力并不是音频，而是把 Gemini 3.8 Flash 作为实时推理层接入模拟循环内部。在早期的 Genie 版本中，用户通过自然语言提示直接与世界模型交互。Genie 4 引入了双模型架构：Genie 4 逐像素生成世界，而 Gemini 3.8 Flash 同时观察这些画面，把高层目标拆解为若干具体步骤，验证每一步是否成功，并在发现失败时发出修正指令。

发布材料中展示的另一项实验走得更远：DeepMind 当前的旗舰推理模型 Gemini 4 Argon 被用来把下跳棋的任务拆解为步骤，再交给 Genie 4，模拟 Apptronik 的 Apollo 人形机器人在一个完全由 AI 生成的环境中执行每一步棋。整个过程不需要实体机器人。谷歌研究总监 Tejas Kulkarni 把这一架构方向描述为通往混合世界模型的道路：「未来我们会越来越多地看到这种混合世界模型：Gemini 负责编写代码和文本，Genie 实时接收这些内容，并在不同的抽象层次上模拟现实。」

Genie 4 输出的所有视频和音频都打上了SynthID 水印。这是 DeepMind 难以察觉的来源标记系统，能让生成内容在各分享平台上被识别为合成内容。

快速整合的市场：Genie 4 的竞争位置

Genie 4 进入的是一个在 2026 年变化迅速的世界模型赛道。Runway 于 2026 年 9 月 3 日发布了 GWM Worlds 2，提供每秒 24 帧的 720p 分辨率和原生音频生成，且没有预设的会话时长上限，这与 Genie 4 两分钟的连贯窗口形成直接的能力对比。

竞争格局在基础设施层面也在整合。AMD 于 2026 年 9 月 28 日宣布，将以全股票交易收购由斯坦福 AI 科学家李飞飞创立的世界模型初创公司 World Labs，交易估值约 82 亿美元，李飞飞将以执行副总裁兼首席科学家身份加入 AMD。这笔交易表明，世界模型如今已被视为基础设施，而不是实验性研究。

延伸阅读：李飞飞的 World Labs 被 AMD 82 亿美元收购

Project Genie（谷歌面向消费者推出的 Genie 3 产品）于 2026 年 1 月下旬公开上线时，商业上的利害就已显现。Unity 股价单日下跌约 24% 至 25%，Roblox 下跌约 12% 至 13%，投资者开始消化 AI 生成环境可能替代引擎制作游戏的可能性，游戏板块合计约 150 亿美元市值被抹去。Genie 4 的发布没有引发同等反应，可能是因为它把这项技术的方向定在机器人和专业制作，而非消费级游戏。

影视制作、预可视化与机器人训练：实际影响

DeepMind 重点介绍了两个专业用例，在这些场景中，Genie 4 的能力会转化为具体的工作流程变化。在影视和创意制作中，导演和摄影师可以用实时世界生成来制作视觉片段的原型，包括灯光方案、镜头运动和环境条件，而无需实体布景或后期渲染。谷歌 DeepMind 工程师、Genie 4 贡献者 Diego Rivas 描述了理想的创作状态：「在那些保持创作心流极其有用的领域，实时这一特性最有价值。比如在构思阶段、分镜阶段，任何你需要快速构思的时候。」

机器人应用对 AI 的长期发展影响更大。生成可供推理智能体导航和操作的照片级模拟环境，能让机器人控制策略在远比实体硬件所允许的更多样的物理场景中接受测试。Gemini 4 Argon 的跳棋实验端到端地演示了这条流水线，尽管与真实的操作任务相比，这次演示做了简化。

Genie 4 仍有哪些不足

谷歌 DeepMind 承认存在三类局限。场景漂移仍未解决：在较长的会话中，视觉世界会逐渐失去一致性，物体和光照会悄然偏离初始状态。音频准确性并不完美，尤其是需要与视觉事件精确对齐时间的非环境音。生成场景中的文字渲染依然会劣化，这是各类生成式视频模型的通病，使得招牌、屏幕和画面标签都不可靠。

Genie 4 目前以研究预览形式提供。Project Genie 订阅用户（目前为美国 Google AI Ultra 方案用户，他们已经可以使用 Genie 3）将是下一批获得访问权限的人。更大范围的推出时间表尚未公布。

混合世界模型论的下一步

Genie 4 引出的最重要问题，不是实时生成环境会不会进步（它们一定会），而是符号推理模型搭配物理模拟模型的混合架构，究竟是一种持久的设计模式，还是一种过渡性的组合。DeepMind 的公开表述表明，团队相信它是持久的：在语言级规划与像素级物理预测之间进行认知分工，各由一个为自身角色优化的模型承担。

如果这一论点成立，下一个有意义的里程碑，是一个完全在 Genie 生成的环境中训练的机器人，能否把学到的行为可靠地迁移到物理世界。这就是多年来一直制约机器人领域合成训练数据的模拟到现实差距问题。Genie 4 没有解决这个问题，但它是目前为攻克这一问题而设计的基础设施中，能力最强的公开演示。