谷歌 Genie 4 发布：一句话边玩边改，2 分钟可交互世界还能自己出声

拍电影的人常有一种无奈：分镜画得再细，真正开拍前也没法“走进去”看一眼。游戏策划也一样，脑子里有一个关卡，做出来要几个月。10 月 27 日，谷歌给出的新答案是 Genie 4——一个能生成可交互世界、还能边玩边用一句话改场景的世界模型。

一分钟速览

• 谷歌发布 Genie 4 世界模型，生成的世界更真实，并能同步生成声音。
• 单次可交互时长从 Genie 3 的约 1 分钟提升到约 2 分钟。
• 用户可以用自然语言实时修改场景，底层由 Gemini 3.8 Flash 参与模拟。
• 先向受信任测试者开放研究预览，之后进入 Google AI Ultra，并开放 Project Genie 候补名单。

四个升级，指向同一件事：让“假世界”更接近真世界

谷歌把这次更新拆成四块。第一，画面更真实，材质、光照和物体运动不再像早期演示那样有明显“塑料感”。第二，支持实时编辑：体验进行中，用户可以直接输入一句话，改变天气、增加物体或调整环境，而不必退出重来。第三，模型能生成与画面匹配的声音，让场景从“无声动画”变成有环境音的完整空间。第四，整个模拟由 Gemini 3.8 Flash 在底层提供支持，负责理解指令与维持世界状态。

时长是最直观的指标。Genie 3 一次大约能维持 1 分钟，Genie 4 把这个数字拉到约 2 分钟。别小看这 1 分钟：交互式世界每多坚持一秒，模型都要记住此前发生过什么，并让物体在镜头移开后仍然“待在原处”。这背后是长上下文、状态一致性和实时推理成本的共同约束。

它能做什么：预演、原型，和机器人的训练场

谷歌给出的三类用途很务实。影视行业可以用它做预可视化：导演不必等美术把场景搭出来，先在模型里走一遍机位和调度。游戏团队可以用它快速验证关卡想法，把“这个房间该不该有第二道门”变成几分钟内的实验。机器人团队则可以把模拟世界当作训练场，让机器人在低成本、可重复的环境里练习导航和操作。

这也解释了谷歌为什么强调“可交互”而不是“生成视频”。视频模型输出的是固定片段，观众只能看；世界模型输出的是一个会响应动作的状态空间，用户可以走、可以转视角、可以改变量。前者更接近内容生产，后者更接近软件和仿真。

谷歌自己先泼了一盆冷水

谷歌提醒，模拟时间越长，细节和“物体恒存性”越容易漂移：某个物体可能在镜头离开后变形，或者回来时已经不在原来的位置。这不是小问题。对影视预演来说，漂移会破坏连续性；对机器人训练来说，错误的物理反馈可能把策略带偏。换句话说，2 分钟是能力展示，不等于可直接用于生产。

因此 Genie 4 先以研究预览形式向受信任测试者开放，之后再面向 Google AI Ultra 订阅用户。谷歌同时开放了 Project Genie 的候补名单，但并没有给出正式商用时间表。这个节奏说明，谷歌更想先收集“世界在长时交互中如何崩坏”的数据，而不是急着卖订阅。

世界模型为什么突然成了必争之地

过去两年，生成式 AI 的主战场是文字和图像；现在，竞争正在往“可交互环境”迁移。原因不复杂：高质量真实世界数据越来越贵，而机器人和自动驾驶需要大量“如果这样，会怎样”的反事实样本。谁能以更低成本生成物理上自洽、可交互、可编辑的世界，谁就握住了下一阶段训练数据的阀门。

但这条路的门槛也很清楚。第一是算力，实时生成并维持一个世界，比离线生成一段视频贵得多。第二是一致性，长时交互会把小误差放大。第三是评估，视频可以看画质，世界模型却要判断“物理是否合理、因果是否成立”，目前还没有公认的标尺。Genie 4 把时长翻倍、把声音加进来，是往前迈了一步，但离“可信的虚拟世界”还有距离。

一句话总结

Genie 4 的意义不在于又多了 1 分钟，而在于谷歌把世界模型从“演示品”往“工具”推了一格：能改、能听、能交互，也开始承认它会漂移。接下来真正值得看的，不是演示视频有多炫，而是首批测试者能不能用它做出可交付的镜头、关卡和训练场景。