谷歌最强世界模型来了，一句话让你逃离现实

这一回，谷歌终于跑在了OpenAI和Anthropic前面。

因为时隔一年，谷歌终于发布了最新的世界模型Genie 4。

尽管大模型和个人Agent方面，谷歌和另外两家的差距越来越大。但在世界模型这个赛道上，谷歌的权威依旧毋庸置疑。

Genie 4的能力对比前辈Genie 3，可以说是有了质的飞跃。

它第一次做到了，将一个虚拟世界的原生音视频进行同步生成，并且可以提供最长2分钟的连贯交互模拟。

就像电影《头号玩家》里那个极度沉浸又极度自由的游戏世界“绿洲”一样。

按谷歌自己的说法，这是迄今为止最逼真、最具互动性的世界模型。

图源：X

要想理解Genie 4，得先解释“世界模型”这个概念。

世界模型，顾名思义，就是能够创造一个世界的模型。它会尝试学习环境会怎样变化，以及行动会带来什么结果，再据此生成接下来的场景。

谷歌在这条路上走了几代。Genie 2已经探索可操作的三维环境。Genie 3进一步推进实时生成和探索。Genie 4沿着这条路线，把声音、人物表现和推理协作往前推进了一大步。

谷歌展示的进展，首先体现在环境和人物的表现上。碰撞、运动、人物对周围变化的反应，都朝着更自然的方向改善。

图源：谷歌

声音也进入了生成过程。环境声、音乐、角色对话能够跟着世界一起出现，对话还可以回应输入和场景变化。

声音的价值，远超给画面铺一条背景音乐。脚步、风声与人物交谈共同构成沉浸感的体现，帮助参与者判断周围正在发生什么。画面有了声音，才有了灵魂。

图源：谷歌

更值得留意的是，谷歌正在探索一种新的模型协作路线。他们尝试让Genie开始与Gemini更紧密地配合。

谷歌披露，Gemini 3.8 Flash会观察场景、拆分目标、检查进度，并随变化调整计划，Genie则负责生成眼前的环境。

可以把这种配合理解成现场导演与制作团队的协作。一边安排事情如何推进，一边把安排变成画面。

谷歌还展示了Gemini 4 Argon与Genie 4协同工作，模拟Apptronik的Apollo人形机器人下跳棋。

在这个演示里，Gemini 4 Argon相当于大脑，Genie 4相当于双手。大脑实时判断并发出指示，再由双手创造出对应的、可交互的虚拟世界。

图源：谷歌

这也解释了Genie 4这类世界模型与普通AI生成视频的核心差别。

常见的离线视频生成，交付的是一段已经生成好的影像。播放的内容是已经确定好的，用户在观看时无法对其进行干涉。

Genie 4探索的是持续交互。用户能够移动、控制视角，也能用文字修改正在发展的场景。新的输入进入生成过程，会影响后续呈现的效果。

这像什么呢？没错，就像是电影和游戏的区别一样。

游戏一直在追求自由度，但地图边界、任务分支和可交互对象，终究要面对制作资源的约束。所有的剧情分支，任务探索以及游戏世界的细节，都需要开发团队提前预想好并手动制作。

目前，程序生成已经能帮助游戏制作组扩大内容规模，世界模型则试图进一步把连续的视觉变化与行动反馈结合起来。

它可能带来的，首先是探索的自由。环境生成能力继续进步，玩家所看见的虚拟世界的细节，将不再由开发者手工制作，而是由世界模型实时生成。

开发者有机会把更多资源从重复铺设场景，转向安排探索的节奏、奖励和意外。

自然语言能够承载比固定菜单更丰富的意图，为角色交流、任务解决和环境改造提供更多入口。角色更有可能会根据玩家的不同行为做出完全不同的反应，表现起来会更像一个活生生的生命，而不是由程序员预设好的几段不同的固定反应。

更深的变化，是创作者与世界的关系。

今天，游戏制作需要投入大量精力，把场景、角色、动作、任务逐项落实。生成工具的发展，有望让其中一部分具体实现交给AI，让人更多负责设定与判断。

创作者的工作重点，可能从手搓一个世界，逐渐转向制定这个世界的规则。

城市怎样运转，资源怎样流动，角色追求什么，玩家可以改变哪些东西，这些决定将更加重要。AI则在约束之内，承担更多环境填充、行为展开和内容变化。

这条路足够令人兴奋。它意味着小团队或许有机会表达过去受制于预算的构想，个人创作者也可能更快把想法变成可体验的作品。

创作的起跑线，有望向更多人开放。游戏的未来，也许会超乎所有人的想象。

图源：谷歌

行业也已经出现协作信号。最近，谷歌与Unity宣布达成合作，计划把AI创作能力与Unity的游戏技术结合。这提醒市场，生成模型和游戏引擎有很大的合作空间。

这股变化也会延伸到游戏之外。

谷歌披露，受邀创作者正在尝试用Genie 4预演影视场景，快速调整镜头、灯光、对白和动作。这样的用途更接近可反复修改的动态草稿，有机会提升影视工作者的创作效率。

本质上，这些应用都是在回答一个问题，行动发生之后，环境会怎样变化。谁能把这道题答得更稳，谁就更接近我们想象中未来世界模型该有的样子。

图源：Unity

答题的方法，也不止谷歌这一种。

李飞飞创立的World Labs，就是另一个典型的例子。他们的Marble可以根据文字、图像等输入生成三维世界，并支持编辑、扩展和导出。

与Genie强调动态生成和即时回应相比，Marble展示了另一类重要能力。把用户的提示词做成能够稳定保存、修改并继续使用的三维模型。

这种差别，类似现场即兴表演与搭好一座可反复使用的舞台。前者强调临场变化，对交互动作的反应会更加真实。后者强调空间结构和可控性，AI生成出来的三维空间自相矛盾的情况会大大减少。两种路线可以说是互有长短。

目前来看，两种技术路线正在走向融合。World Labs今年9月公布的Atlas，也涵盖世界生成、空间重建和时空模拟。而谷歌所采用的模型协作路线，则期望于通过Gemini的实时演算来解决世界一致性的问题。

谷歌承认，Genie 4的细节和物体状态仍可能随时间漂移。连续交互也只有2分钟的量级，距离长时间交互还有明显差距。

依然以游戏举例，开过的门、拿走的物品、角色经历过的事件，都属于这个虚拟世界必须记住的变化。模型的记忆能力有限，如何保存这些变化，并在后续的交互中有所体现，就是Genie 4接下来要重点攻克的难关。

接着是物理规则。物理碰撞效果看着顺眼，与碰撞结果始终稳定，完全是两回事。物理约束、因果关系和长期运行效果，决定了模型能走多远。

如果出现更复杂的交互行为呢？角色说得流畅，还要记住身份、维持身份动机和人物设定。完整的多人游戏，则要求不同玩家共享同一套世界状态。

一种值得期待的方向是，让不同技术各司其职，建立起一个综合的解决方案。稳定空间模型负责环境生成，世界模型丰富环境变化与交互体验，推理模型规划行为，底层程序则维持关键规则。

图源：World Labs

回头看《头号玩家》，“绿洲”的吸引力，从来不只是漂亮的风景。

它容纳了行动、关系和冒险，也容纳了创造。人们期待进入这样的世界，因为身处其中的所有行为，都会有所回应。在这样的世界里，所有人都能做到现实世界中无法想象的东西。

想象力，才是关键。

Genie 4的未来，也许就是给人类无限的想象力，提供一个无限大的舞台。

通向“绿洲”的路还很长。但回看AI那短暂又迅猛的发展史，再看看AI短剧如今一片繁荣的景象，又有谁敢说未来就一定很遥远呢？