一句话看懂：Google DeepMind 于 10 月 27 日向可信测试者开放 Genie 4 研究预览，这个实时世界模型能按文字指令生成带原生音频、角色可说话的逼真场景，值得关注的是它把 Gemini 模型接入生成回路，开始逼近“可交互模拟器”的形态。
事件核心：发生了什么
Genie 4 构建于 Google 的 Gemini 系列模型之上：Gemini Omni 负责锚定世界的视觉与行为规则，Gemini 3.8 Flash 作为回路中的智能体，观察场景、拆解目标并逐帧检查步骤是否完成。模拟运行中，用户可用文字提示改变天气、移动镜头或加入人物与物体。DeepMind 称它是首个原生生成音频的实时世界模型，覆盖音乐、环境音和随用户反应的对白。
相比 Genie 3，场景一致性从约一分钟延长到两分钟，空气动力学、碰撞等物理表现更接近真实，人物动作也更自然。测试者来自影视、新闻、教育、游戏和工程领域，用于预可视化与游戏原型；有摄影记者尝试把档案照片转成模拟场景。后续将向 Google AI Ultra 订阅用户开放 Project Genie，早期伙伴可通过 Gemini API 和 AI Studio 接入，等候名单已开放但未公布日期。Ultra 计划起价每月 100 美元。
为什么重要
目前公开信息显示，Genie 4 的价值不在“生成一段视频”，而在于把大模型规划能力与实时世界模拟拼成闭环。DeepMind 研究总监 Tejas Kulkarni 将其描述为混合世界模型：Gemini 写代码和文本，Genie 实时接收并模拟现实。对机器人训练而言，这意味着可以批量生成任务场景，例如让 Apptronik 的 Apollo 人形机器人模拟下棋。与此同时，世界模型赛道正在整合：AMD 同意收购 World Labs，亚马逊据称在洽谈收购 Decart，Rivian 收购 Third Dimension 用于驾驶模拟。Genie 3 去年亮相时曾令游戏股承压，这次发布同样会被游戏与内容行业密切关注。
对用户/开发者/创作者的影响
对影视和游戏创作者，Genie 4 更像原型与预可视化工具，可快速验证镜头、场景与交互想法；对开发者，Gemini API 和 AI Studio 提供接入路径，但需留意等候名单与合作伙伴优先级。DeepMind 也列出限制：模拟时间拉长或多次修改提示后，细节与物体恒存性可能漂移，可读文字和音频准确度仍在开发中。所有视频与音频均带 SynthID 隐形水印，用于标识 AI 生成内容。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 Project Genie 何时向 Ultra 用户和 API 开发者实际开放，以及定价是否随算力成本调整；二是两分钟一致性上限能否进一步提升，漂移问题是否收敛；三是世界模型并购潮下，竞品能否给出可比的实时生成与音频能力。
来源：The Next Web
