Genie 4：Google DeepMind 的新一代世界模拟

Genie 4 概述

Genie 4 是来自 Google DeepMind 的一款全新世界模型，能够生成交互式的、照片级逼真的环境。它是原生多模态的，这意味着它可以在进行视觉模拟的同时生成音频，例如环境音、音乐和交互式对话。通过整合 Gemini 系列的功能，Genie 4 允许用户使用自然语言实时引导模拟，从而在保持环境连贯性的同时，对天气、摄像机角度和场景内容进行动态更改。

核心技术能力

Genie 4 通过四个主要技术支柱推进了世界模拟的发展：

• 实时世界塑造： 用户可以使用自然语言即时修改模拟。Gemini 模型会监控场景，以确保用户的输入能够适应上下文，并确保世界在交互之间持续连贯地演进。
• 增强的真实感： 该模型展示了改进的物理理解能力，包括空气动力学和碰撞模拟。它在渲染自然的人类运动和有机的角色反应方面表现尤为出色。
• 原生音频生成： Genie 4 是该实验室首个能够原生生成音频的实时世界模型。这包括环境音景以及角色会对用户输入和事件做出反应的交互式实时对话。
• 复杂事件建模： 通过利用 Gemini 3.8 Flash 作为引导代理，系统可以将多步骤目标分解为序列，从而在模拟中实现可靠的因果关系和程序化行为。

集成与研究应用

Genie 4 被设计为创意和技术工作流程的基础工具。目前，它正在创意产业、新闻业、教育和工程领域的群体中进行测试。

在机器人技术方面，该模型正与 Gemini 4 Argon 结合使用，以模拟复杂的任务，例如人形机器人与物体的交互。通过将指令分解为实时步骤，该系统允许研究人员在将代理部署到现实世界之前，在各种环境中测试其行为。其他应用包括为电影制作人提供快速预可视化、为记者进行历史场景重建，以及为游戏开发者提供交互式原型设计。

安全性与可用性

Google DeepMind 实施了严格的安全护栏和内部评估，以防止生成有害或恶意内容。为了确保透明度，所有由 Genie 4 生成的内容都包含 SynthID，这是一种用于音频和视觉模态的不可察觉的数字水印技术。

Genie 4 目前作为研究预览版提供给受信任的测试人员。预计它将向 Project Genie 中的 Google AI Ultra 订阅者以及 Gemini API 和 Google AI Studio 的早期访问合作伙伴推出。实验室承认该模型是一个处于早期阶段、不断发展的研究项目；目前的局限性包括在长时间模拟会话中，物体持久性、空间准确性和长期一致性方面可能存在偏差。