ARTICLE · 1278601
Google Genie 4来了,AI已经能生成可以走进去的世界,但我觉得还不能高兴太早
Google Genie 4来了,AI已经能生成可以走进去的世界,但我觉得还不能高兴太早
以前我们看AI生成视频，最大的感受就是画面越来越真实。 从几秒钟的简单片段，到复杂的镜头运动，再到人物对话、环境音效，AI视频的进步确实很快。 但视频始终存在一个限制。 不管画面多么逼真，观众都只能看。 你不能突然走到人物身后，看看另一边是什么。也不能随手把桌上的东西拿起来，观察周围环境会发生什么变化。 Google DeepMind最新发布的Genie 4，想解决的就是这个问题。 
10月27日，Google公布了新一代世界模型Genie 4。按照官方展示，它可以实时生成允许用户控制和探索的虚拟环境，同时支持原生声音、人物对话和动态场景变化。 比如你可以用键盘控制视角，在生成的场景中移动。 也可以通过文字指令，让天气发生变化，或者向场景里添加新的人物和物体。 AI会根据你的输入，继续生成接下来发生的事情。 看到这里，很多人可能会有一种感觉：以后是不是连游戏引擎都不用了，直接告诉AI想玩什么游戏就行？ 我觉得这个想法很有吸引力，但现在距离真正实现还有不小的距离。 先说Genie 4到底进步在哪里。 Google在2025年8月发布Genie 3的时候，就已经能够根据文字描述生成实时可探索的环境。 当时官方公布的能力包括720p分辨率、每秒24帧，以及持续几分钟的场景一致性。 所以，能够生成可互动世界，并不是Genie 4第一次实现的能力。 它真正的变化，是进一步提升场景真实感、动态控制能力，以及声音和人物行为之间的配合。 这次Google不只是让你看到一个正在生成的世界，还尝试让其中的人物能对你的行为作出回应。 环境有对应的声音，人物能实时交流，场景还可以随着指令发生变化。 这就和传统AI视频拉开了区别。 
普通视频生成更在意镜头最后看起来像不像真的。 世界模型则需要考虑另一件事：当用户突然改变行为，下一秒究竟应该发生什么？ 这件事明显更复杂。 比如一段AI视频里，一个人把杯子放在桌上，模型只需要让这个动作看起来合理。 但在一个可互动世界里，如果用户突然拿走杯子，桌面应该发生什么变化？ 如果用户转身离开，再回来看，杯子还在不在原来的位置？ 如果杯子被撞翻，液体应该怎样流动？ 这些问题看起来都是小事，但它们决定了这个世界到底只是会动的画面，还是具备稳定规则的虚拟环境。 而Google自己也承认，目前Genie 4仍然存在局限。 比如长时间运行之后，场景细节可能发生漂移，物体的持续存在性也不完全可靠。 多次修改指令之后，空间关系和视觉细节可能出现变化。 复杂物理交互、实时音频准确性、文字显示和长期一致性，都还需要继续研究。 所以我认为，目前把Genie 4叫作能够生成互动场景的世界模型是准确的。 
但如果直接说它已经可以替代成熟的游戏引擎，就有点过头了。 传统游戏引擎的价值，从来不只是把画面渲染出来。 它还要维持明确的物体状态、碰撞规则、任务逻辑、角色行为和存档系统。 玩家今天捡到的一件装备，明天重新进入游戏之后还得存在。 一个关卡的物理规则，不能因为玩家多走了几步就突然改变。 而且游戏开发需要可控、可重复的结果。 如果开发者设定某个动作必然触发某个机关，那么这条逻辑就必须稳定工作。 这也是生成式世界模型当前需要面对的问题。 它可以快速产生很丰富的场景，但不代表这些场景背后已经拥有完整、确定的游戏逻辑。 不过，这并不影响我认为Genie 4是一次重要进步。 因为它真正有价值的地方，可能不在于马上替代游戏引擎，而在于大幅降低某些创作工作的试错成本。 过去一个游戏团队想测试某种场景氛围，可能需要先建模、制作素材、安排灯光，再把角色放进去。 如果只是为了验证一个初步想法，这个过程可能会花掉不少时间。 Genie 4提供了另一种方式。 你可以直接描述想要的世界，进入其中观察场景，再根据实际效果修改天气、环境、人物和镜头。 对于概念设计和前期创意验证，这种效率提升很有想象空间。 影视制作也是一样。 导演和美术团队可以提前探索一段场景的空间感，尝试不同镜头和灯光方案，而不是等到后期制作才发现某个设计不好用。 但我认为，这还不是Google真正想做的全部事情。 更值得注意的是，Genie 4与Gemini模型之间的合作。 Google在官方介绍中提到，Gemini 3.8 Flash可以作为实时引导模块，持续观察Genie生成的画面，把目标拆成多个步骤，再根据执行结果调整后续行动。 简单理解，一个模型负责生成世界，另一个模型负责观察、理解和指导行动。 这就比单纯生成视频复杂得多。 而且Google此前已经做过类似研究。 2025年发布的SIMA 2智能体，就被用于测试AI能否理解并操作陌生的虚拟环境。 
Google还尝试让SIMA 2进入Genie 3生成的世界，根据用户指令完成任务。 把这些研究放在一起看，Genie的发展方向就比较清楚了。 Google不只是想让人类走进一个AI生成的世界，还希望未来能让AI智能体在这样的环境中学习、探索和执行任务。 比如训练机器人。 现实中的机器人训练有很高的成本。 每一次动作都可能涉及设备、场地、人力和安全风险。 如果能先在虚拟环境里生成大量不同场景，让机器人智能体反复尝试，再把其中一部分有效经验带到现实世界，理论上可以降低某些训练和测试成本。 但这里必须强调一个前提。 一个虚拟场景看起来符合物理规律，不代表它真的能够准确模拟现实世界。 机器人训练对碰撞、摩擦、重力、物体形变等细节有严格要求。 如果世界模型模拟出来的结果与现实偏差过大，机器人学到的行为反而可能不可靠。 这也是为什么Google在谈论Genie 4时，仍然把物理准确性和长期一致性列为需要继续解决的问题。 还有一件事不能忽略。 Genie 4目前主要面向受信任的测试者，以研究预览形式开放，并不是所有普通用户现在都能直接使用的成熟产品。 
今年1月，Google曾向美国部分Google AI Ultra订阅用户开放基于Genie 3的Project Genie实验产品，当时的单次生成还存在60秒的限制。 但那个限制属于早期Genie 3产品，不能直接当作Genie 4的最新能力上限。 Google现在已经明确表示，Genie 4接下来会逐步面向相关订阅用户和开发者合作伙伴开放。 所以，现阶段更适合把它看成一项方向明确、进步明显，但仍需要大量实际验证的技术。 我觉得Genie 4最重要的变化，不是AI生成的画面又逼真了多少。 而是AI开始尝试从“按照要求给你一段结果”，走向“根据你的行为持续回应”。 这会改变我们与数字内容交互的方式。 但要让AI真正生成一个可靠、稳定、可以长期存在的世界，光靠漂亮的画面还远远不够。 
未来如果Genie这样的模型能够把生成能力和确定性的物理规则、程序逻辑结合起来，游戏设计、虚拟训练乃至机器人研究，都可能出现新的工作方法。 只是现在，我还不急着宣布游戏引擎要被淘汰。 能够生成一个看起来真实的世界，和让这个世界始终按照可靠的规则运行，是两个不同层次的问题。 Google已经开始解决前一个问题。 后一个问题，恐怕才是真正困难的部分。
