谷歌 DeepMind 周二在官网发布了 Genie 4，可让用户通过文字提示创建可供探索的虚拟世界，并可以使用键盘操控在其中游历。
用户还可以在场景展开过程中输入指令，实时改变天气或添加角色等。谷歌表示，模拟环境最长可运行两分钟，约为上一代 Genie 3 的两倍。
Genie 4 也是该系列首款能够同步生成声音和画面的产品，包括环境声音、音乐，以及能够对用户行为作出反应的对话。
未来几周，公司计划向付费订阅最高档 Google AI Ultra 套餐的用户开放，同时也将向部分使用应用开发工具 Google AI Studio 和 Gemini API 的开发者提供访问权限。
世界模型是一类能够即时生成交互式环境的 AI，不只是生成视频。
今年 1 月，谷歌推出由 Genie 3 模型驱动的原型产品 Project Genie 时，曾令华尔街受到惊吓。游戏股当时大幅下跌，投资者开始评估 AI 工具是否会颠覆游戏的制作方式。
尽管谷歌在 AI 前沿领域面临 OpenAI 和 Anthropic 等对手的激烈竞争，但其最近发布的 Gemini 4 Argon 模型被认为有助于缩小差距。
世界模型和多模态能力——即 AI 除了处理文字，还能处理图像、音频和视频的能力——长期以来一直被视为谷歌的技术强项。
新模型依靠 Gemini 维持虚拟世界的连贯性。谷歌在博客文章中表示，当 Genie 4 生成场景时，Gemini 会观察不断传入的画面，理解用户目标并将其拆解为一系列步骤，然后核查每一步是否已经完成。
公司表示，团队曾尝试使用 Argon，但实际的实时体验由 Gemini 3.8 Flash 驱动，后者是谷歌承担日常任务的较轻量级主力模型。
公司也在研究它能否用于训练机器人，不过，目前尚不清楚这些用途能否得到广泛采用。
在新闻发布会上被问及这项技术对游戏行业的影响时，DeepMind 产品经理 Diego Rivas 表示，公司正与合作伙伴共同了解，这项技术如何融入他们的工作，以及它存在哪些局限。
Rivas 说道：" 我们的想法是拓展当下能够实现的事情。" 谷歌强调，该模型仍处于实验阶段。随着模拟运行时间延长，画面细节和物体可能逐渐发生变化。
DeepMind 研究工程师 Hang Qi 表示，即便模型能够运行至两分钟的上限，也不意味着场景在整个过程中都能保持完全一致。复杂的物理交互、清晰可读的文字，以及长时间保持一致性，仍有待完善。
DeepMind 研究总监 Tejas Kulkarni 表示，要让虚拟世界完全保持一致，即使仅仅维持两分钟，也需要模型真正理解日常世界的物理规律。
" 两分钟能做到的事情终究有限。"Rivas 说，" 我们仍处于研究探索阶段，还没有真正进入最终产品的开发阶段。"
谷歌表示，Genie 4 生成的所有音频和视频都将带有 SynthID，这是谷歌用于识别 AI 生成内容的隐形水印。
