Google DeepMind 正式发布新一代交互式世界模型 Genie 4，将实时模拟的真实感推向新高度。该模型原生支持多模态，能在统一处理过程中同步生成视觉画面与环境音频，标志着世界模拟技术从研究探索迈向高度逼真的应用阶段。
原生多模态架构，视听同步生成
Genie 4 融合了 Gemini 系列模型的核心能力。其中，Gemini Omni 赋予模拟场景符合现实的外观与行为特征，其他 Gemini 模型则提供推理支持，确保实时模拟的连贯性与一致性。不同于后期叠加音效的传统方式，Genie 4 在生成视觉世界的同时，原生同步生成包括环境音、音乐及互动对话在内的音频内容。
用户可设定事件起点，由 Genie 4 即时推演后续的视觉变化、声音反馈及人物动作。DeepMind 团队表示，这是迈向通用人工智能（AGI）的关键一步，旨在以安全且无限可变的方式理解并模拟物理世界。
拟真人类行为与物理交互突破
相比前代版本，Genie 4 在人类角色模拟上实现显著飞跃。人物动作更加自然有机，能对环境做出实时反应，并支持交互式引导，摆脱了预设动画的僵硬感。在物理模拟方面，模型引入了新的真实度标准，能够实时计算空气动力学、碰撞检测、物体相互作用及材料行为。
演示案例显示，Genie 4 能精准呈现西瓜碎裂时的水滴飞溅、枫树种子的自然飘落，以及拥挤火车站中人群的自然流动。此外，模型支持通过自然语言实时操控场景，用户可随时调整天气、视角或引入新元素。Gemini 会结合上下文平滑融入这些变化，并在无输入期间自主维持世界的连贯运行。
交互式音频与复杂任务协同
音频生成是 Genie 4 的另一大革新。除了匹配环境的环境音，模型还能生成交互式人类对话。场景中的人物可根据用户输入或环境事件实时调整交谈内容与方式，这种对话是从实时模拟中自然涌现，而非预录制触发。
针对复杂多步场景，Genie 4 与 Gemini 3.8 Flash 协同工作。Gemini 充当主动引导者，将目标分解为连续步骤，实时验证画面并调整计划。在机器人任务模拟中，Gemini 4 Argon 与 Genie 4 配合，成功模拟了人形机器人玩跳棋的全过程，Argon 负责拆解步骤，Genie 4 负责逐帧渲染。
尽管表现卓越，Genie 4 仍存在局限。长会话中的视觉细节、物体恒常性、复杂物理交互及长期一致性仍是 ongoing 的研究课题。所有生成内容均嵌入 SynthID 数字水印，以标识 AI 生成属性。
访问权限与背景信息
Genie 4 目前以研究预览版形式发布，暂未向公众开放。DeepMind 优先向影视、新闻、游戏开发等领域的可信测试人员提供访问权限，以收集反馈。后续，该功能将通过“Project Genie”扩展至 Google AI Ultra 订阅用户及 API 早期合作伙伴。目前尚无具体的定价及大众发布日期。
Google DeepMind 成立于 2023 年，由 Google Brain 与 DeepMind 合并而成，隶属于 Alphabet。作为 AI 研究的核心力量，其代表性成果包括 AlphaFold、AlphaGo 及 Gemini 系列模型。Genie 系列旨在生成可探索、可交互的实时环境，此前 Genie 2 于 2024 年底发布，Genie 3 于 2025 年 8 月推出，而 Genie 4 于 2026 年 10 月正式发布，成为该系列迄今最强大的版本。