10 月 27 日，谷歌 DeepMind 发布了新一代通用世界模型 Genie 4 的研究预览版，称其为公司"迄今为止最逼真、最具互动性的 AI 世界模型"。如果说上一代 Genie 还只是"能生成一段会动的世界"，这一代开始尝试回答一个更难的问题：怎么让这个世界可被你实时导演。
几个关键的技术跨越
Genie 4 相比前代 Genie 3，做了三件明显更进一阶的事：
- 时长翻倍：最长模拟时长延长到 2 分钟，是 Genie 3 的 2 倍，意味着它能呈现更完整的"一段情节"而非几秒片段；
- 音视频同步：首次实现同步生成背景音乐、环境音和交互式对话，世界不再只有画面、没有声音；
- 实时导演：用户可以用自然语言指令，实时调整天气、镜头角度，甚至往场景里添加人物或物体。
这些能力加在一起，指向一个清晰的目标：从"生成一段视频"升级为"生成一个可交互、可导演的小世界"。
和 Gemini 的"导演 + 演员"组合
Genie 4 与谷歌 Gemini 生态深度整合。Gemini 在其中扮演"导演"——负责规划步骤、检查画面；Genie 则负责把规划变成可交互的模拟。两者协同，甚至能用来实时模拟测试机器人场景。DeepMind 研究总监 Tejas Kulkarni 表示，未来会越来越多地看到这种"混合世界模型架构"。
这种分工也很有意思：一个模型负责"想清楚要什么画面"，另一个负责"把画面生成出来并让你能改"。它和当下"文生视频"产品的单链路思路不同，更接近一个可迭代的创作工作台。
世界模型和视频模型的区别
很多人把 Genie 4 和"文生视频"混为一谈，但两者目标不同。视频模型追求的是"生成看起来对的画面"——像不像、美不美、连贯不连贯。世界模型追求的是"内部维持一个自洽的状态"：它要知道物体在哪、会怎么动，并且能回答"如果我这时候推它一把，接下来会怎样"。
这个差别体现在交互上。视频模型你只能给提示词，生成完就定了；世界模型接受动作输入，状态会随你的操作演化。Genie 4 支持用自然语言实时改天气、改镜头、加人物，本质上是在一个持续演化的模拟里当导演，而不是在生成一段固定的片子。
难点也随之而来：长时一致性极难维持。模拟两分钟，物体的位置、光影、物理关系都不能"漂"。Genie 4 把音画同步做进来，等于又加了一层约束——不仅画面要自洽，声音也要跟场景对得上。这也是为什么"世界模型"被看作通往具身智能和机器人训练的关键基础设施，而不只是内容创作工具。
应用想象与算力账单
谷歌正探索 Genie 4 在游戏设计、影视制作、教育和机器人训练等方向的应用。测试人员提到它可用于影视原型制作——导演先用文字搭个场景，再实时调镜头和天气，省去大量前期建模成本。测试人员已开放给受信任的测试者，未来几周将向 Google AI Ultra 订阅用户及 Gemini API、AI Studio 早期合作伙伴推出。
当然，世界模型的每一次真实感提升，背后都是算力的成倍消耗。国联民生证券在点评中就指出，大模型已从年更、月更进入近乎周更的快节奏迭代，世界模型作为 AI 基础设施的重要演进方向，其突破将持续拉动算力需求。Genie 4 这块"更逼真的画布"，画的也是算力产业链的增量空间。