这个世界只能维持 120 秒，然后一切开始崩塌。然而在这两分钟里，你可以随时改变天气、召唤巨龙，甚至让一座城市为你拔地而起。 刚刚，Google DeepMind 正式发布新一代世界模型 Genie 4，AI 生成的虚拟世界，又向现实迈进了一大步。 相比上一代，Genie 4 不仅让画面更加逼真，还能实时生成声音、模拟物理规律，甚至让用户直接走进 AI 创造的世界，随时改变天气、添加人物，与虚拟角色对话。 更重要的是，谷歌还将 Gemini 引入世界模拟，让大语言模型负责规划行动，Genie 4 负责实时生成环境。过去只能观看的 AI 视频，正在变成一个可以自由探索、持续互动的虚拟世界。 AI 视频的下一站，是可以走进去的世界 早在 2024 年，Google DeepMind 就推出了 Genie 1，尝试从视频中学习动作与环境变化之间的关系。随后，Genie 2 将能力扩展到可探索的三维环境，2025 年发布的 Genie 3 则实现了实时生成、实时交互。 如今，Genie 4 在真实感、物理模拟和交互能力上再次升级，单次模拟时长也从约一分钟延长至两分钟。 根据谷歌公布的演示，用户只需输入一段文字，就能生成可以探索的虚拟世界，通过键盘控制角色移动、调整镜头，甚至在运行过程中继续输入提示词，改变整个场景。 例如，在一个漂浮于湖面的小平台上，一名身穿棕色西装的男子正在演奏萨克斯。周围是薄雾笼罩的湖水、森林和随风摇曳的植物。 用户可以自由移动镜头，观察演奏者的动作和湖面变化，甚至临时改变天气、添加人物或物体。Gemini 会结合当前环境理解指令，帮助 Genie 4 维持场景的连贯性。 提前体验 Genie 4 的沃顿商学院教授伊桑·莫利克，只用一句「一座由机器人和马匹居住的新哥特式粗野主义城市」，便在一分钟内生成了一座虚拟城市，随后又实时加入了巨龙和一只友善的水獭 NPC。 另一边，a16z 投资人贾斯汀·摩尔也展示了一段被他戏称为「GTA Waymo」的演示，在完全由 AI 实时生成的城市环境中自由探索，整个过程都可以直接交互。 摩尔还展示了一个仅靠环境与角色提示词创建的虚拟世界，用户能够在运行过程中继续下达指令、改变场景，并听到与世界同步生成的原生音频。 从这些实际体验也能看出，Genie 4 的特别之处在于，整个过程不需要预先制作三维地图，也没有固定的场景演出，AI 会根据用户的操作持续生成接下来发生的事情。 在物理模拟方面，谷歌还展示了西瓜受到冲击、枫树种子从空中飘落，以及拥挤的乡村火车站等案例，呈现碰撞、空气动力学、重力作用和复杂人群行为。 尤其是人物动作，Genie 4 能让虚拟角色更加自然地移动，并根据环境变化作出反应，用户也可以实时引导角色的行为。 过去，AI 生成视频通常是一次性交付，用户只能观看最终结果。如今，Genie 4 试图让每一次移动、每一个操作，都成为影响虚拟世界发展的新变量。 AI 生成的世界，终于有声音了 Genie 4 的另一项重要升级，是首次支持原生音频生成。 此前，Genie 系列主要围绕画面和动作交互展开。如今，Genie 4 可以在生成世界的同时，实时生成环境声音、音乐和人物对话。 例如，海边会有海浪声，树林里会有风声，骑着巨龙穿越山谷时，还能听见翅膀拍打空气、狂风呼啸以及远处的火山活动。 更值得关注的是，Genie 4 开始让虚拟人物拥有实时对话能力。 传统游戏中的 NPC 通常依赖预先设计的对白和行为逻辑，而 Genie 4 可以根据用户输入和场景中发生的事情，动态生成角色的语言与反应。 这意味着，未来玩家有机会走进一个 AI 创造的世界，与里面的人物自由交流，甚至通过自己的行动改变故事发展。 不过，Genie 4 目前仍存在音频准确性和长期一致性方面的问题，距离真正支撑大型开放世界游戏，还有不小的技术距离。 Gemini 也来当导演，AI 开始理解世界如何运转 如果说画面和声音让 Genie 4 更加接近现实，那么 Gemini 的加入，则让世界模型开始具备复杂的推理和规划能力。 根据 Google DeepMind 的介绍，Genie 4 融合了 Gemini 家族的多项能力。 其中，Gemini Omni 为模拟提供现实世界的外观与行为基础，而 Gemini 3.8 Flash 则充当实时引导智能体，持续观察生成画面，将任务分解为多个步骤，并判断每一步是否成功。 Genie 4 负责生成虚拟世界，Gemini 则负责规划接下来应该发生什么。 例如，用户要求机器人完成一项复杂任务，Gemini 可以将任务分解成多个动作，观察机器人在模拟环境中的表现，并根据执行结果调整下一步计划。 即使用户临时改变要求，或者周围环境发生变化，Gemini 也可以实时修改行动方案。 谷歌还展示了