Google DeepMind 在 10 月 27 日發表 Genie 4，這是一款能即時生成可互動世界的世界模型，首度原生產生環境音、配樂與角色對話，而且玩家在模擬過程中就能用自然語言改天氣、換鏡頭、加人物。Genie 4 目前只開放給受信任的測試者，之後將先登上 Google AI Ultra 的 Project Genie。
Genie 4 最大的改變：世界開始有聲音了
Genie 3 生成的世界是無聲的，Genie 4 則同步生成環境音、音樂與可互動的對話。根據 Google DeepMind 的說明，音訊會隨著世界裡發生的事件即時變化，角色之間可以交談、對事件做出反應。Google 也把「模擬人」視為這一代最大的躍進，人物動作更流暢，臉部表情與肢體也沒有上一代那麼僵硬。物理表現同樣有提升，空氣動力與碰撞的呈現更可信。
邊玩邊改：用文字指令即時操控場景
使用者以鍵盤在世界中移動，過程中可以隨時輸入文字，改變天氣、攝影機角度，或加入人物與物件。TechCrunch 報導，Genie 4 的場景一致性可維持約兩分鐘，是 Genie 3 的兩倍左右。對想快速做遊戲原型、分鏡或互動教材的人來說，這種「想到就改」的速度，比一次次重新生成影片更貼近創作流程。
Gemini 在背後負責規劃與檢查
Genie 4 不是單打獨鬥。DeepMind 表示，Gemini Omni 負責讓模擬貼近真實世界的外觀與行為，Gemini 3.8 Flash 則監看場景、規劃步驟並檢查進度。DeepMind 還展示了早期實驗：讓 Gemini 4 Argon 把機器人任務拆成步驟，由 Genie 4 即時模擬，例如 Apptronik Apollo 人形機器人下西洋跳棋，目的是在真實部署前先在模擬世界裡測試。
目前能用嗎？限制有哪些
Genie 4 目前是研究預覽，僅限受信任的測試者。Google 表示未來幾週將先開放給 Google AI Ultra 訂閱者（透過 Project Genie），Gemini API 與 Google AI Studio 的早期合作夥伴也會取得使用權，有興趣的人可以登記候補名單。Google 也坦承，模擬時間拉長或經過多次編輯後，畫面細節與物件恆存性會漂移，複雜物理互動、音訊準確度與場景中的文字清晰度仍在改進。所有生成的影片與音訊都帶有 SynthID 浮水印。官方沒有公布解析度、幀率與價格。
世界模型的競爭正在升溫
TechCrunch 指出，Runway 約兩個月前推出了可玩、可互動且帶音訊的 GWM Worlds 2，AMD 正在收購 World Labs，Rivian 也買下自駕模擬公司 Third Dimension。BigGo Finance 則提到，今年 1 月以 Genie 3 為基礎的 Project Genie 原型曾讓 Unity 等遊戲引擎類股承壓，市場擔心文字生成世界會取代部分場景製作工作，Genie 4 可能讓這個討論再度升溫。這些屬於媒體與市場觀察，並非 Google 的說法。
對一般使用者與開發者意味著什麼
短期內多數人還碰不到 Genie 4，但方向已經很清楚：世界模型正從「看」變成「玩」，再變成「訓練機器人與代理人的模擬場」。遊戲開發者、影視前期製作團隊與機器人研究者最值得關注，等 Ultra 版與 API 開放後，再評估它能否融入實際流程。
資料來源
- Google DeepMind：Genie 4: A new generation of world simulation
- Google 官方部落格：Introducing Genie 4
- TechCrunch：Google’s Genie 4 world model adds audio, more realistic worlds, and real-time steering
- Gizmodo：Google’s New AI World Model Can Generate Human Voices, Not Just Video
- BigGo Finance：Genie 4 World Model Adds Audio and Real-Time Control
