2026年10月27日，Google DeepMind正式发布新一代世界模型Genie 4，并以研究预览形式向受信任测试者开放。Genie 4能够根据文本或图像提示生成逼真的可探索虚拟环境，用户可以在模拟运行过程中持续输入自然语言指令，实时改变天气、移动镜头或加入新的人物和物体，从而不再只是观看AI生成的画面，而是能够进入世界之中与环境互动。谷歌将其定位为迄今最逼真、交互性最强的世界模型，并认为理解和模拟世界是通往AGI的关键环节。
在技术架构上，Genie 4融合并扩展了Gemini系列模型的能力：Gemini Omni负责让模拟场景在外观与行为上贴近真实世界，其他Gemini模型则提供复杂推理，帮助维持模拟过程的连贯性与延续性。用户通过标准键盘操作进行移动和镜头控制，再以文本提示引导场景演变，Gemini会根据周围环境对用户指令进行上下文适配，并在两次输入之间持续监控和引导场景发展。在复杂事件模拟中，Gemini 3.8 Flash作为“引导智能体”参与循环，实时观察画面、将目标拆解为步骤序列，并逐帧检查每一步是否完成，在世界变化或用户介入时即时调整计划。物理层面，Genie 4可模拟空气动力学、碰撞等真实物理场景，生成的人物动作自然，能够对环境做出有机反应。
从应用方向看，谷歌正与创意产业、新闻、教育、游戏和工程领域的测试者合作探索Genie 4的落地场景。例如，影视创作者可以把它当作预演与构思的“草稿模式”，进入一个实时模拟的场景中反复“试拍”，即时调整机位、灯光、台词和动作；游戏开发者可以在写下任何一行引擎代码之前，用自然语言把初始创意快速变成可探索的原型，测试视觉风格、材质和交互机制；教育与新闻工作者则可以将一张历史照片转化为可进入的模拟环境，或直观呈现山洪、野火等短时环境事件的演变过程。在机器人方向，谷歌展示了Gemini 4 Argon与Genie 4的联合实验：Argon将用户下达的任务拆解为步骤，Genie 4实时渲染对应画面，模拟Apptronik的Apollo人形机器人下跳棋，为在虚拟世界中先行测试机器人与AI智能体行为提供了一条路径。
相比上一代Genie 3，Genie 4最突出的升级在于原生音频生成。这是DeepMind首个能够原生生成音频的实时世界模型，每个世界都带有符合场景的环境声，从林间风声到海浪拍岸，还可同步生成音乐。更进一步，Genie 4引入了可实时适应的交互式对话，场景中的角色能够彼此交谈，并对用户输入或世界中发生的事件做出反应。此外，模型在照片级真实感、动作流畅度和人物模拟方面均有明显提升，其中人物模拟被谷歌视为本代最大的进步。谷歌同时坦言，Genie 4仍是早期实验性模型，模拟时间越长、提示修改越复杂，画面细节和物体一致性越容易出现漂移，复杂物理交互、音频准确性、文字可读性、空间精度和长期一致性仍是待解决的研究课题。
在可用性方面，Genie 4目前仅向受信任测试者开放研究预览，后续将率先上线Project Genie并面向Google AI Ultra订阅用户提供，同时开放给Gemini API和Google AI Studio的早期访问合作伙伴，感兴趣的用户可通过官方渠道加入等候名单。谷歌暂未公布Genie 4的具体上线时间、开放地区和单独定价。安全方面，Genie 4在发布前经过内部安全评估，所有生成的视频和音频都将嵌入SynthID数字水印，以便识别AI生成内容。
整体来看，Genie 4将世界模型从“可交互的画面”推进到“有声音、有对话、可被语言实时导演的世界”，而Gemini在其中承担规划与推理的角色，也体现了谷歌所说的“混合世界模型”思路，即把语言模型的结构化推理与像素级模拟结合起来。虽然一致性漂移等问题仍限制其长时间使用，正式开放也尚需时日，但它在影视预演、游戏原型、教育体验和机器人仿真上的潜力已相当清晰，世界模型赛道的竞争也将因此进一步升温。