Article · AI translation
Google DeepMind 周二以研究预览版形式发布了其最新世界模型 Genie 4。该模型生成的世界比以往更加逼真、互动性更强，用户可以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相匹配的实时音频，包括音乐、环境声和互动对话。
Genie 4 的发布距 AI 视频初创公司 Runway 发布其第二款世界模型 GWM Worlds 2 仅几个月。GWM Worlds 2 是一款可供用户游玩的模型，能动态响应用户输入，并具备音频生成功能。与此同时，世界模型行业开始整合。李飞飞的 World Labs 正被 AMD 收购，亚马逊正洽谈收购 Decart，而 Rivian 刚刚收购 Third Dimension，以便将模拟能力引入公司内部，用于自动驾驶测试。
Genie 4 是 Google 为在竞争激烈的领域保持领先而采取的最新举措。
一年多前，Google 以研究预览版形式发布了其前代模型 Genie 3。除了画面逼真度大幅提高并加入音频功能，Genie 4 还允许自由编辑，例如实时改变天气或摄像机角度，或添加新的人物或物体。它能维持场景一致性长达 2 分钟，是前代模型时长上限的 2 倍，并提供更好的物理效果和更像真人的角色。
Google 的 AI 模型 Gemini 也与 Genie 4 更紧密地集成，充当规划步骤、检查画面的导演，而 Genie 则负责生成视觉内容。在一项与 Gemini Robotics 相关的研究实验中，Gemini 4 Argon 模型将任务拆解为多个步骤，Genie 4 则实时模拟这些步骤。该实验展示了一种可能的方法：在机器人面临现实场景之前，先通过模拟对其进行测试。
“未来我们会越来越多地看到这类混合式世界模型：Gemini 编写代码和文本，Genie 实时接收这些内容，并在不同的抽象层级模拟现实，”Google 研究总监 Tejas Kulkarni 在一次情况介绍会上说。
与其他世界模型一样，其所宣传的商业应用场景包括游戏、互动学习和机器人技术。互动学习的一个设想是，用户进入描绘历史场景的画作，与画中人物交谈，了解画作所呈现的事件。
但“受信任测试者”——首批获得 Google 尖端产品使用权限的人——指出了一个可能的新用途：制作电影原型。
“实时性在创作过程中需要保持思路流畅的领域最有价值，”Google DeepMind 工程师 Diego Rivas 在一次媒体简报会上说。“例如在构思阶段、分镜设计阶段——任何需要快速产生创意的时候。”
Google 还提供其 AI 视频生成模型 Veo。该模型可以根据文本、图像或视频提示词，生成带有内置同步音频的高清视频片段；这一工具在电影制作人中越来越受欢迎。
Rivas 补充说，用户最终或许可以依靠 Gemini Omni 将这些原型转化为创意素材。Gemini Omni 是一种能够根据图像、音频和文本生成视频的多模态大语言模型。不过，他表示，这些能力距离实现仍有一段时间。
在整场情况介绍会上，Rivas 强调 Genie 4 仍处于早期阶段，完整的产品体验最终会是什么样尚不明确。团队也承认 Genie 4 仍存在不足：模拟运行时间越长，细节和物体就可能越容易偏离原有状态；他们也还没有完全弄清楚如何确保音频准确，以及模拟世界中的文字清晰可辨。
Genie 4 现已作为研究预览版向受信任测试者开放。未来几周，该模型将通过 Project Genie 向 Google AI Ultra 订阅用户推出，并向 Gemini API 和 Google AI Studio 的早期体验合作伙伴开放。Project Genie 是 Google 的一款 AI 工具，可根据文本或图像提示词生成互动世界。