Google DeepMind正式发布Genie 4，这是一款能够实时构建逼真世界的“世界模型”。作为DeepMind首款原生支持音频生成的实时模型，Genie 4不仅能生成音乐和环境噪音，还能创建响应用户互动的对话及会说话的角色。10月27日，该项目已作为研究预览版向受信任的测试人员开放。
在模拟运行中，用户可通过文本提示词操控环境，如改变天气、调整摄像机视角或添加人物与物体。DeepMind强调，理解并模拟世界是构建通用人工智能（AGI）的关键环节。
Gemini模型深度驱动
Genie 4深度整合了Google的Gemini模型体系。其中，Gemini Omni负责决定世界的视觉呈现与行为逻辑；Gemini 3.8 Flash则充当循环智能体，负责观察场景、拆解目标步骤，并逐帧校验执行结果。
在一项实验中，本月公开发布的Gemini 4 Argon模型为Genie 4规划了一项任务：操控Apptronik公司的Apollo人形机器人进行跳棋游戏。DeepMind指出，这为机器人训练开辟了广阔空间。
媒体指出，Genie 4的场景一致性维持时间长达两分钟，是前代Genie 3的两倍。实验室表示，其在空气动力学、碰撞物理效果及人物动作自然度上均有显著提升。
Google研究总监Tejas Kulkarni表示，未来将出现更多混合世界模型：由Gemini负责代码和文本生成，Genie实时吸收信息并在不同抽象层级上模拟现实。
访问权限与局限性
目前，来自电影、新闻、教育、游戏和工程领域的测试人员已利用该模型进行预可视化设计和原型开发，部分摄影记者尝试将档案照片转化为模拟场景。接下来，该功能将通过Project Genie项目面向Google AI Ultra订阅用户开放，早期合作伙伴可率先通过Gemini API和Google AI Studio使用。DeepMind已开放排队名单，但未公布具体全面发布日期。
资料显示，Ultra订阅计划起步价为每月100美元。此前Genie 3的发布曾引发游戏股波动。
DeepMind也坦承当前局限：随着模拟时长增加或多次修改提示词，细节和物体的恒常性可能出现偏差；清晰可读的文字生成及音频准确性仍在优化中。此外，Genie 4生成的所有视频和音频均嵌入了Google的隐形水印技术SynthID。
此次发布正值世界模型领域加速整合之际：AMD同意收购World Labs，Amazon正洽谈收购Decart，Rivian则收购了Third Dimension以强化驾驶模拟能力。