去年，谷歌DeepMind发布Genie 3世界模型，一度令游戏行业股价承压。此后，世界模型成为全球各大AI实验室的重点研究方向，但谷歌并未止步不前。研究团队持续推进新一代模型的开发，几乎在各个方面都对Genie 3进行了改进。如果你愿意为谷歌支付足够的费用，或许很快就能用上Genie 4。

许多人看到Genie 4生成的画面，很容易将其视为一款视频游戏，这也是Genie 3当初在游戏行业引发担忧的原因。不过，DeepMind并不这样看待这项技术。按照谷歌的说法，世界模型是通往通用人工智能（AGI）的关键环节。世界模型可以构建一个虚拟世界，但它不需要预先渲染环境，也不需要编写交互元素的程序代码。用户只需告诉模型自己想要什么，模型便会在用户探索的过程中，逐帧实时生成相应的体验内容。

DeepMind表示，这项技术有望为实体机器人创造出无限的训练环境，也可能为创意领域开辟全新的快速原型制作途径。当然，这一切都要求模型能够准确模拟用户的需求。Genie 4在多个方面进行了改进，使其模拟结果更加实用，这在一定程度上得益于谷歌更新后的Gemini模型。

当用户在Genie 4中输入提示词以生成一个世界时，系统会调用Gemini 3.8 Flash作为引导智能体，负责拆解目标并评估每一帧输出画面。这有助于保持模拟过程的连贯性，让用户能够在不同环境间切换而不丢失最初的上下文信息。不过，DeepMind也指出，Genie 4生成的世界目前仍只能维持数分钟的一致性，之后便会"遗忘"最初的设定。

与Genie 3一样，新版本也支持在模拟过程中实时调整参数。用户可以改变天气、添加元素或移动镜头，Gemini会在每次更新时协助引导模拟走向。这与推理模型生成额外内部提示词、以精准定位正确输出Token的方式颇为相似。

AI生成视频中的物理表现有时会显得不太自然，但DeepMind表示Genie 4在这方面已经达到了新的真实感水平。据称，Genie 4在空气动力学和碰撞等元素的处理上表现更佳，这使得模拟场景更加实用，视觉效果也更具吸引力。模拟场景中出现的人物看起来也会更加自然，不再给人以"诡异谷"般的不适感，动作表现和对环境变化的反应都更加贴近真实。

Genie 4还是DeepMind首款原生支持音频的世界模型。生成的视频将包含环境背景音，用户也可以在提示词中指定音频元素。如果这项功能能够如预期般运作，其中最大的突破在于加入了人类语音。DeepMind承诺，Genie 4将能够生成具有交互性的对话内容，并随着模拟场景的变化而相应调整。标准AI视频中逼真语音的出现曾是真实感方面的一次重大飞跃，如今类似的变革可能也将降临到谷歌的世界模型之上。

打造属于你自己的世界

DeepMind特别强调，世界模型目前仍是一个活跃的研究领域——Genie 3此前从未超出极为有限的Project Genie网页端体验范围。不过，团队一直在与一小部分受信任的测试人员合作，为Genie 4的更广泛发布做准备。相关访问权限即将开始扩大范围，但目前尚无具体时间表。不过可以确定的是，这项服务不会便宜。

谷歌计划通过Gemini API和AI Studio向开发者推出Genie 4，但具体定价尚未公布。普通消费者也将能够获得使用权限，但会分阶段推出，首先面向谷歌最昂贵的AI Ultra套餐用户开放，该套餐起价为每月100美元。谷歌未来或许会将访问权限扩展至AI Pro和AI Plus套餐。这项服务仍将通过Project Genie进行管理，这也会限制用户在Genie中能够进行的操作范围。对此感兴趣的用户可以加入等候名单，申请提前体验资格。