Google DeepMind 于周二在 research preview 中发布了其最新的世界模型 Genie 4。这一最新模型能生成迄今最逼真、最具交互性的世界，允许用户在模拟过程中输入提示词来改变场景。该模型还能生成与模拟世界匹配的实时音频，包括音乐、环境噪声和交互式对话。
Genie 4 的发布距离 AI 视频初创公司 Runway 发布其第二个世界模型GWM Worlds 2仅过去几个月，后者是一个可玩的模型，能对用户输入做出动态响应，并包含音频生成功能。与此同时，世界模型行业正开始整合。Fei-Fei Li 的World Labs 正被 AMD 收购，Amazon 正在洽谈收购 Decart，而Rivian 刚刚收购了 Third Dimension，以将模拟能力引入内部用于自动驾驶测试。
Genie 4 是 Google 在拥挤的领域中保持领先的最新举措。
Google 在大约一年多前以 research preview 形式发布了其前代产品 Genie 3。除了逼真程度大幅提升并支持音频外，Genie 4 还允许自由形式的编辑，例如实时改变天气或摄像机角度，或添加新的人物或物体。它可以将一致的场景维持长达 2 分钟，是其前代上限的两倍，并提供更好的物理效果和更像人类的角色。
Google 的 AI 模型 Gemini 也与 Genie 4 更紧密地集成，充当导演角色，负责规划步骤并检查帧，而 Genie 负责创建视觉内容。在一项与 Gemini Robotics 相关的研究实验中，一个 Gemini 4 Argon 模型将任务分解为多个步骤，由 Genie 4 实时模拟。该实验展示了一种可能的途径，即在真实世界发生之前先在模拟中测试机器人场景。
“我们未来会越来越多地看到这些混合世界模型，即 Gemini 编写代码和文本，而 Genie 实时接收这些内容并在不同抽象层次上模拟现实，两者相结合，”Google 研究总监 Tejas Kulkarni 在简报会上表示。
与其他世界模型一样，其宣传的商业用例包括游戏、互动学习和机器人技术。互动学习的一个推测性例子是：进入一幅历史场景的画作，并与画中的主体就所描绘的事件进行交谈。
但“可信测试者”——即最先获得 Google 尖端产品访问权限的人——正指出一种可能的新用途：电影原型制作。
“在创意领域保持心流状态极为有用的那些场景中，实时性变得最有价值，”Google DeepMind 工程师 Diego Rivas 在新闻发布会上表示。“例如，在构思阶段、在故事板阶段——任何时候你需要快速构思。”
Google 还提供 Veo，这是其 AI 视频生成模型，可根据文本、图像或视频提示生成带内置同步音频的高清片段——这一工具在电影制作人中越来越受欢迎。
Rivas 补充说，用户最终可以依靠Gemini Omni——一个能够从图像、音频和文本生成视频的多模态大语言模型——将这些原型转化为创意资产。不过他表示，这些能力仍有一段距离。
在整个发布会中，Rivas 强调 Genie 4 仍处于早期阶段，目前尚不清楚端到端的产品体验会是什么样。团队也承认 Genie 4 仍有不足：模拟运行时间越长，细节和物体可能发生漂移，而且他们仍未完全弄清楚如何确保音频准确、世界内的任何文本清晰可读。
Genie 4 现已作为研究预览版向可信测试者开放。未来几周内，该模型将向 Google AI Ultra 订阅用户推出，在Project Genie——Google 用于从文本或图像提示生成互动世界的 AI 工具——以及 Gemini API 和 Google AI Studio 的早期访问合作伙伴中提供。
当您通过我们文章中的链接购买时，我们可能会赚取少量佣金。这不会影响我们的编辑独立性。
Rebecca Bellan 是 TechCrunch 的高级记者，报道人工智能领域的商业、政策及新兴趋势。她的作品也曾发表于 Forbes、Bloomberg、The Atlantic、The Daily Beast 等刊物。
您可以通过发送邮件至以下地址联系 Rebecca 或核实其联系信息[email protected]或通过 Signal 上的 rebeccabellan.491 发送加密消息。