谷歌宣布推出 Genie 4，这是其“世界模型”（World Models）类别中的最新模型，代表了人工智能模拟现实能力的一次质的飞跃。与预测单词的大语言模型（LLMs）不同，Genie 4 专注于构建环境的内部模拟，预测空间、时间、重力以及场景内其他物理力如何演变。
模拟的演进：音频、物理与一致性
Genie 4 较其前身（Genie 3）有几项重大改进，最显著的是它是谷歌首个支持 原生音频生成（Native Audio Generation） 的世界模型。该模型不仅生成视觉场景，还会自动创建与模拟环境相匹配的环境音，并生成随着场景事件演变而动态变化的对话。
在技术性能方面，该模型实现了以下特性：
- 场景一致性： 模型能够保持场景的稳定性和一致性长达两分钟，这是上一版本性能的两倍。
- 物理模拟： 模型支持模拟复杂的场景，如空气动力学（Aerodynamics）和碰撞，同时具备看起来自然且能有机响应环境的人体运动。
- 实时交互： 用户可以通过自然语言指令实时塑造世界、改变天气、移动摄像机或添加新元素。
与 Gemini 3.8 Flash 的集成
Genie 4 与 Gemini 3.8 Flash 模型协同工作，后者扮演“引导代理”（Guiding Agent）的角色。Gemini 将复杂指令分解为小步骤，并在 Genie 4 生成场景的过程中持续监控，以确保执行过程保持在预期轨道上，并在用户意外改变事件走向时介入调整步骤。
实际意义是什么？
这一进展标志着从单纯的“视频生成”向“构建交互式世界”的转变。对于开发者和研究人员而言，这意味着能够创建包含真实音频和物理特性的高精度虚拟测试环境，这可能为机器人训练或游戏及扩展现实（XR）开发开辟新视野。将音频和物理运动集成到单一模型中的能力，缩小了数字模拟与现实世界之间的差距。
可用性与技术限制
谷歌明确表示，Genie 4 目前仍处于 研究预览（Research Preview） 阶段，仅向部分受信任的测试人员开放。预计在未来几周内，该模型将通过 Project Genie 项目向 Google AI Ultra 订阅者，以及 Gemini API 和 Google AI Studio 的早期访问合作伙伴开放。
然而，该公司指出该模型仍处于实验阶段，在长时间的会话中可能会出现一些视觉不一致。为了确保透明度，模型生成的所有内容都将使用谷歌的 SynthID 技术进行隐形水印标记，以区分人工智能生成的内容。