谷歌DeepMind在2026年10月28日正式官宣了新一代世界模型Genie 4，官方称这是迄今为止最逼真、交互性最强的世界模型，和我们之前接触的预渲染AI生成视频完全不是一个维度的产品。

它生成的世界目前虽然只能维持120秒，时限一到场景就会逐渐崩塌，但在这两分钟里你可以随意改变天气、凭空召唤巨龙，甚至一句话就让整座城市拔地而起，所有内容都是实时生成、支持自由探索交互的。

不再是预渲染视频，这个世界你能真的走进去

Genie系列的迭代速度非常快：2024年Genie 1首次实现从视频中学习动作和环境变化的关联；Genie 2把能力扩展到了可探索的三维环境；2025年的Genie 3实现了实时生成、实时交互；这次的Genie 4在真实感、物理模拟、交互能力上全面升级，单次模拟时长也从1分钟延长到了2分钟。

根据官方演示，用户只需要输入一段文字，就能生成可以自由探索的虚拟世界，用键盘就能控制角色移动、调整镜头，甚至在世界运行的过程中随时输入新提示词，改动整个场景的设定。

比如官方演示里，输入提示词就能生成一片湖心浮岛：穿棕色西装的乐手在岛上演奏萨克斯，周围是蒙着薄雾的湖面、森林，随风摇曳的植物细节拉满，你可以操控角色随便走动、转动镜头，甚至临时下达指令改天气、添加新的人物和物体。

Gemini会结合当前的场景理解用户指令，保证改动之后整个世界的逻辑连贯，不会出现突兀的穿帮。

提前参与测试的沃顿商学院教授伊桑·莫利克，只输入了一句“一座由机器人和马匹居住的新哥特式粗野主义城市”，仅用一分钟就生成了完整的虚拟城市，后续还实时往世界里添加了巨龙和友善的水獭NPC。

a16z投资人贾斯汀·摩尔的演示更让游戏玩家兴奋：他做出了一个完全实时生成的城市场景，能像玩《GTA》一样自由驾车探索，全程所有元素都可以交互，他自己都调侃“没等来GTA6，先玩上了GTA Waymo”。

除了写实城市场景，奇幻风格的洞穴、异世界场景也能一键生成，探索过程中随时可以输入指令改变环境，所有反馈都是实时生效的。

这次Genie 4在物理模拟上的进步也非常明显，官方演示了西瓜受冲击碎裂、枫树种子靠空气动力飘落、拥挤乡村火车站的人群行为等案例，碰撞反应、重力效果、空气动力学甚至复杂群体行为逻辑都能准确模拟。

虚拟角色的动作也比前代自然很多，会根据环境变化实时做出反应，用户还可以主动引导角色的行为。和过去“渲染完成就固定不变”的AI视频完全不同，你每走一步、每输入一个新指令，都会真的改变这个世界的走向。

自带实时音效，NPC还能即兴跟你对话

Genie 4另一项开创性升级，是首次支持原生音频实时生成。

此前的Genie系列只能生成画面、支持动作交互，声音都需要后期额外添加。而Genie 4在生成世界的同时，就能同步生成匹配的环境音、背景音乐和人物对话：在海边就能听到海浪拍岸的声音，在树林里会有风吹树叶的声响，骑着巨龙穿越山谷时，甚至能同步听到翅膀拍打空气的声音、狂风呼啸声和远处火山活动的闷响。

更有想象力的是虚拟人物的实时对话能力：传统游戏里的NPC都依赖提前写好的台词和预设行为逻辑，而Genie 4里的角色可以根据用户的输入、场景里正在发生的事件，动态生成符合当下情境的语言和反应。这意味着未来玩家真的有可能走进AI生成的开放世界，和里面的人物自由聊天，靠自己的行为改变故事走向。

当然目前这一功能还不够成熟，音频准确性、内容长期一致性都还有缺陷，距离支撑大型开放世界的完整配音和对话系统还有不小的技术差距。

Gemini当“场外导演”，物理逻辑全给你捋明白

光有逼真的画面和声音还不够，这次Genie 4最大的底层突破，是和Gemini大模型深度融合，让世界模型第一次拥有了复杂推理和规划能力。

根据DeepMind官方介绍，Genie 4融合了Gemini家族的多项能力：Gemini Omni为模拟提供现实世界的外观与物理行为基础，Gemini 3.8 Flash则充当实时引导智能体，持续观察生成的画面，把复杂任务拆解成多个执行步骤，还会实时判断每一步是否执行成功。

简单来说就是Genie负责生成渲染整个虚拟世界，Gemini负责规划接下来应该发生什么，哪怕用户临时改变要求、周围环境突然发生意外变化，Gemini也能立刻调整行动方案。

谷歌还展示了和Gemini 4 Argon联动的研究实验：由Gemini把下跳棋的任务拆成连续的操作步骤，Genie 4实时模拟Apptronik旗下Apollo人形机器人下棋的全过程，这不是提前渲染好的演示视频，系统会根据模拟中的实际执行情况随时调整动作。

这种能力对机器人训练来说价值巨大：现实中训练机器人需要投入大量设备、场地成本，危险或者试错成本极高的场景根本没办法反复测试。未来机器人完全可以在Genie生成的高拟真虚拟世界里练熟所有操作，再把学到的能力迁移到现实硬件上。

Google DeepMind研究主管Tejas Kulkarni也表示，未来世界模型的核心发展方向是混合架构：把语言模型的结构化推理能力，和世界模型的感官模拟能力结合起来，Gemini负责规划组织复杂事件，Genie负责把规划变成实时变化的画面、声音和物理环境，让AI在自己创造的世界里提前预测、验证每个行动可能带来的结果。

不止是游戏黑科技，全行业都能用上

目前Google DeepMind已经邀请了电影、游戏、新闻、教育、工程等多个行业的测试者，探索Genie 4的落地可能性，应用场景远不止做游戏：

  • 影视制作：过去导演验证复杂镜头，需要先画分镜、搭建3D场景、安排演员预演，借助Genie 4，创作者只需要输入文字就能生成可探索的虚拟场景，直接进入场景内部调整镜头、灯光、人物动作和对白，快速尝试不同的拍摄方案，大幅降低前期预演的成本。
  • 游戏开发：开发者不需要提前花几个月制作资产，用提示词就能快速生成游戏环境，直接测试美术风格、材质表现和基础互动玩法，验证玩法有趣之后再投入资源正式开发。

【编辑观察】对于独立游戏开发者来说这绝对是福音——未来不用花几年时间攒3D资产、搭建场景，只要有核心玩法和创意，短短几分钟就能出可玩的开放世界原型，小团队制作大体量内容的门槛可能会被直接拉低。

  • 新闻与教育：摄影记者可以把二维的历史老照片转化为可探索的动态场景，也可以通过模拟直观展示洪水、野火等灾害的发展过程，不过AI根据照片推演的画面不能直接等同于对历史事实的准确重建。
  • 工业与机器人研发：世界模型可以承担工业仿真、复杂环境测试的工作，减少大量真实试验需要消耗的时间和成本。

现在世界模型已经成了AI巨头争抢的核心赛道：Runway已经推出了支持实时音频和交互的GWM Worlds 2，李飞飞创立的World Labs则选择了空间智能路线，更侧重三维环境的重建、编辑和长期一致性。

今年9月AMD刚宣布以约82亿美元收购World Labs，足以证明世界模型的价值早就超出了内容生成范畴，已经延伸到机器人研发、AI算力基础设施层面。

120秒的局限，藏着AI的下一个未来

当然现在的Genie 4还远谈不上完美，距离真正完整的持久数字世界还有很长的路要走。

目前它单次能维持的交互模拟时长只有约两分钟：随着模拟时间拉长，物体细节可能发生莫名变化，场景也容易出现前后逻辑不一致的问题；如果用户连续修改提示词，或者在大范围环境里持续探索，模型还可能逐渐丢失早期场景的信息。除此之外复杂物理交互精度、空间准确性、音频自然度、画面中文字的可读性，都还有很大的优化空间。

目前Genie 4已经向部分受邀测试者开放研究预览，未来会先通过Project Genie向Google AI Ultra订阅用户开放，之后会逐步提供给Gemini API和Google AI Studio的早期合作伙伴。

回看生成式AI这几年的发展路径：从生成文字到绘制图片，从图片到预渲染视频，再到现在可以实时探索、拥有声音和独立人物行为的虚拟环境，AI生成内容的边界一直在被拓宽。 过去大模型让AI学会了怎么“思考”、怎么输出信息，而世界模型要教给AI的是“理解行动的后果”：推开门之后会看到什么、一句话会引发NPC什么反应、一个操作会对环境造成什么连锁影响。 不管是未来要服务普通人的AI Agent，还是要在真实场景工作的机器人，能够在虚拟世界里完成亿万次试错、摸清现实世界的运行规则，远比生成一段精美的视频更有价值。这短短120秒会崩塌的虚拟世界，或许就是AI真正理解现实的第一块铺路石。