谷歌世界模型再进阶

物理AI 正成为科技公司的重要技术方向。北京时间10月28日，谷歌发布新一代世界模型Genie 4。与单纯追求视频生成不同，Genie 4的定位是"可实时操控、可听、可推理的动态模拟世界"。它原生支持音频生成，能根据场景实时输出环境音、音乐乃至角色对话。而作为又一款重磅模型，此次发布的时间点，正值谷歌AI投资叙事最受审视的阶段。

"一句话生成世界"

这次Genie 4最直观的变化，是世界看起来更真实了，且开始拥有声音。谷歌介绍，Genie 4是旗下首个能够原生生成音频的实时世界模型，可以在生成场景的同时，同步生成音乐、环境音和互动对话。人物能根据用户输入或场景中发生的事件实时交谈、作出回应。

从演示动画来看，用户可通过自然语言在模拟中途直接改写天气、镜头角度或引入新对象，且模型能在最长两分钟的窗口内维持场景一致性，并首次支持原生音频生成。

除此之外，Genie 4最特别的一点在于，生成世界的整个过程不需要预先制作三维地图，也没有固定的场景演出，它会结合场景上下文调整提示词，持续观察并引导场景，让世界连贯地向前发展。

Genie 4对物理世界的理解也更深入。谷歌称，新模型提升了对空气动力学、碰撞等物理现象的模拟效果。其中，人物模拟的进步尤为明显：角色的动作更加自然，能够对环境变化作出反应，也可以接受用户的实时引导。

"这种模型的发展速度简直难以置信。"有行业人士评价道，两年前，AI甚至无法在静态图像中正确渲染手部。如今，Genie 4正在即时生成可玩的3D世界，带有实时物理效果、现场音频。

不过，目前Genie 4仍处于研究预览阶段，仅向受信任的测试者开放。谷歌计划随后向Project Genie中的Google AI Ultra订阅者，以及Gemini API和Google AI Studio的早期合作伙伴开放。

与Gemini模型协作

早在2024年，谷歌DeepMind就推出了Genie 1，尝试从视频中学习动作与环境变化之间的关系。随后，Genie 2将能力扩展到可探索的三维环境，2025年发布的Genie 3则实现了实时生成、实时交互。

支撑这些变化的，是Genie与Gemini系列模型的协作。之所以能实现这种极其丝滑的生成体验，很重要的技术更新在于，此次谷歌在Genie 4上采用了一种"生成与推理分离、多模型实时协同"的混合架构。

在此架构下，Genie 4本身更接近一个世界生成引擎，谷歌旗下另一大模型系列Gemini家族则作为"外挂的认知与控制系统"，在实时循环中为Genie 4注入现实感、逻辑和任务执行能力。

具体来看，在Genie 4实时生成世界的过程中，Gemini 3.8 Flash扮演着类似"导演"的角色：持续观察画面，将目标拆解为多个步骤，检查任务进展，随着世界发生变化或用户介入，模型还会即时调整计划。这让模拟世界能够呈现更可靠的因果关系、程序化行为和多步骤推理。

谷歌还展示了Gemini 4 Argon与Genie 4共同模拟人形机器人下跳棋的案例。Argon负责将任务拆解为步骤，再通过文字指令引导Genie 4生成相应过程。谷歌表示，这些功能是朝着开发安全虚拟环境迈出的一步，用于观察智能体和机器人如何在周围环境中导航。

在应用方面，游戏开发是最容易被联想到的领域。有观点认为，世界模型的进步会对游戏开发产生较大影响，创意验证的门槛又降低了。还有网友调侃，"游戏工作室今天正在开一场长会"。

按照谷歌披露的测试反馈，游戏开发者已经在尝试用Genie 4将初步想法快速转化为可探索的原型，在编写游戏引擎代码之前，通过自然语言测试视觉风格、材质效果和互动机制。电影制作人则可以进入模拟场景，反复调整镜头、灯光、对话和动作，尝试不同版本。

但世界模型和游戏引擎两者并不完全隔离。行业认为，世界模型的产出物可以导入到游戏引擎里成为游戏开发的素材，引擎则负责把这些资产协同组织成产品。这种融合为两类技术提供了协作空间。

质量和应用平衡

有市场人士认为，面对投入与未履行订单的"双高"局面，Genie 4所瞄准的机器人训练、影视预演与交互式学习，正是将这种算力投入向更高附加值场景延伸的一次尝试。

回溯今年谷歌的财报，公司的资本开支指引经历了两轮显著上修：年初给出的区间为1750亿至1850亿美元，第二季度财报后将全年预期推高至1950亿至2050亿美元，公司明确资金绝大部分流向服务器、数据中心与网络设备。

这种颇为激进的AI投入结果也非常直观：第二季度资本开支高达449亿美元，谷歌云积压订单攀升至5140亿美元的历史高位，公司自由现金流转为负59亿美元，为上市以来首次。

接下来，谷歌定于美东时间10月28日盘后发布2026年第三季度财报，市场预期营收约1278亿美元，云业务增速料攀升至90%以上。

研究工程师Hang Qi表示，为了让模型真正实现实时运行，团队需要反复调整模型配置、优化不同组件，在生成质量、运行速度和计算资源之间寻找平衡。以及最重要的是，这套系统仍然面临计算效率和成本的挑战。而如何在保证画面质量的同时降低延迟和计算开销，将直接影响世界模型能否从研究演示走向大规模商业应用。

值得一提的是，所谓"最强"模型也不是没有问题。Google DeepMind工程师里瓦斯承认，Genie 4仍处于早期阶段，Genie 4的细节和物体会随着模拟运行时间变长出现漂移。并且，他们仍未完全弄清楚如何保证音频和文字的准确性。

北京商报记者 赵天舒