DeepMind新模型Genie4，输入文字就能走进世界，互动感太强了

在最近，Google DeepMind 做了新的工作。他们发布了新一代的世界模型 Genie 4。这个模型不只看视频，也让用户进入其中，和里面的世界进行互动。几个行业的大佬提前试了它，他们的反应很大。这背后有新技术，它也会给我们的生活带来改变，我们来说一下。

这次升级让时间的长度变长。以前模拟的时间短，现在能持续120秒。而且不用提前做好三维地图，AI会根据你的操作，实时画出后面的画面。物理效果也接近真实，比如西瓜被撞碎、树叶飘落，还有火车站里人群的拥挤感，都符合真实的重力和碰撞规律。

用法也很简单。你只需要输入一段文字，比如想要一个漂浮在湖面的萨克斯演奏者或者一座特定风格的城市，系统就会生成这个环境，你可以用键盘控制角色走动并调整观看角度。如果在运行过程中你想改主意，比如让天下雨或者加一条巨龙，AI 也能听懂并且保证画面连贯，不会突然断片。

这次也加上了声音。这是第1次支持原生音频的实时生成。当你在看海浪的时候，能同时听到海浪的声音；当你在看鸟飞的时候，能听到翅膀拍打的声音。还有，里面的角色能和你说话。他们不说提前写好的话，而是按照你的行为和当时的场景，实时生成语言和反应，这让互动变得很自然。

这项技术有长时间的练习过程。从24年的 Genie 1 学习动作关系，到 Genie 2 扩展三维环境，再到 Genie 3 实现实时交互，一步步走到了现在的 Genie 4。这一代融合了 Gemini 大模型，让画面和声音更真实，也让物理模拟更准确。这是多年技术积累的一次集中表现。

在这个系统里，Genie 4 和 Gemini 有明确的分工。Genie 4 负责生成环境、画面、声音和物理反馈，它像感官系统。Gemini 负责规划行动、分解任务，并根据结果调整下一步计划，它像大脑。比如在训练机器人下棋时，Gemini 拆解步骤，Genie 4 模拟过程，这种配合让训练成本降低了很多。

很多行业已经开始对这项技术进行测试。电影导演可以用文字来生成场景，并且直接去调整镜头和对白，这样就不用再去画分镜了。游戏开发者用它来快速地测试玩法和美术风格。新闻领域和教育领域也能用它把老照片变成动态的场景，还可以去模拟灾害的过程。工业上则把它用于复杂环境的仿真测试，它的用途是很广泛的。

早期体验者展示的效果让人有印象。有人在完全由 AI 生成的城市里开车探索，全程都能互动。还有教授只用一句话就在一分钟内生成了包含机器人、马匹和巨龙的复杂城市。这种从被动观看到主动参与的转变表示我们进入了可交互的虚拟世界时代。

技术现在还有不足。现在的音频准确度需要提高，长时间运行的画面一致性也有问题。想用它来支持大型开放世界游戏，还需要花时间去改进。同时，别的公司也在做这个，竞争变得更多。不过，Genie 4 已经让我们看到了一个新的方向，以后的情况可以看一看。