游戏不用做了——你打一句话，世界就长出来了，还带声音。

10 月 27 日，谷歌 DeepMind 以研究预览形式发布新一代世界模型 Genie 4。CEO 劈柴称之为“迄今最逼真、最具交互性的世界模型”。先给受信测试者，未来几周内推向 Google AI Ultra 订阅用户（通过 Project Genie），再向 Gemini API 与 Google AI Studio 的早期合作伙伴开放。

先说清这是什么，免得跟文生视频搞混。

文生视频是“放电影”：播什么，你看什么。世界模型是“开世界”：没有预建的 3D 素材，没有手写的场景逻辑，画面是一帧一帧实时算出来的；你用键盘走进去，走到哪，哪才长出来。Genie 4 的世界，你能进去、能动手、能改规则。

这次升级有三板斧。

第一，实时改世界。模拟跑着的过程中，你打字就能改天气、换机位、往场景里塞人塞物，不用重开一局。上一代 Genie 3 也能中途改条件，但 Genie 4 的编辑是自由的、即时的，指令在运行中直接生效。

第二，原生音频。这是 DeepMind 第一个原生实时生成音频的世界模型。海滩场景自带海浪声，树林里有风声，背景音乐跟着场景走，场景里的人物还会跟你实时对话。上一代是默片，这一代开口说话了。

第三，时长翻倍，物理和人一起变真。连贯场景最长维持约 2 分钟，是 Genie 3 的两倍；物理表现更准，包括空气动力学、碰撞；角色动作也更接近真人，DeepMind 称这是进步最大的一处。

2 分钟听起来短，但对“世界”来说，从 1 分钟到 2 分钟不是翻倍，是“能讲完一件事”的门槛。1 分钟只够看个景，2 分钟才够走完一段剧情。

幕后是双脑分工，这一点比画面本身更值得看。

Genie 负责画世界，Gemini 负责当导演：拆解用户目标、逐帧检查画面、验证动作有没有做成、场景一变就立刻改计划。为了低延迟实时交互，实际跑在环路里的是更轻量的 Gemini 3.8 Flash，而不是旗舰 Gemini 4 Argon——Argon 只出现在机器人实验里负责拆任务。

这说明实时世界的瓶颈不在“画得多美”，在“算得够不够快”。导演必须比演员跑得快，否则世界就跟不上你的脚步。

而机器人那条线，才是真正的大棋。

在一项与 Gemini Robotics 绑定的研究实验中，Gemini 4 Argon 把任务拆解成步骤，交由 Genie 4 实时模拟。这展示了一条可行的路径：机器人在真实世界行动之前，先在模拟环境中完成验证。

翻译成人话：以后机器人保姆、自动驾驶、工厂机械臂，先在“假世界”里把跟头摔一万次，再进你家。世界模型真正的买单方，不是游戏玩家，是机器人公司。

当然，补丁也要打上。

谷歌自己承认，画面细节和物体恒常性还会随时间漂移——你转个身回来，桌上的杯子可能换了个样。现在还是研究预览，普通用户还要等几周。而且所有生成的音视频都会嵌入 SynthID 水印，用于识别 AI 生成内容。世界越真，水印越重要，这话谷歌自己也明白。

行业背景也值得一笔：两个月前 Runway 刚出了 GWM Worlds 2；与此同时，World Labs 被 AMD 收购、亚马逊在谈买 Decart、Rivian 收了 Third Dimension。世界模型赛道正在从“各显神通”变成“抱团兼并”，谷歌这时候出 Genie 4，是抢在整合完成前卡位。

从 Genie 3 到 Genie 4，谷歌只用一年多，就把“能看的世界”变成了“能进、能改、能聊的世界”。游戏行业慌不慌另说，有一个职业要先慌：做 3D 场景、布景、预演的人——以前按小时搭的世界，现在一句话就长出来了。

同样是 10 月的新模型动态，《Kimi K3.1 Pro 押上 3 万亿参数，全球智能指数进前四》讲的是另一个模型用规模换排名的故事。

而《OpenAI 命名体系崩了：地球跑赢了太阳，这等级还怎么排？》则从命名乱局一侧印证了模型迭代之快。

世界模型的终局不是更好玩的游戏，是更便宜的现实：先在假世界里把一切都试一遍，真的那次才动手。

——糊涂熊笔记

信息来源：TechCrunch、路透/美联社转述、凤凰网快科技等 10 月 27–28 日报道；2 分钟时长、原生音频等为官方口径。