Google DeepMind 发布研究预览 Gen ie 4，首次将原生生成音频与可实时调整的交互世界结合，支持用户通过自然语言或控制器持续改变场景。公告强调这是受限测试预览，长期一致性、复杂物理互动与空间准确性仍为关键未解决问题。
Google DeepMind于2026年10月27日公布世界模型Genie 4，将原生音频、可实时调整的场景和Gemini模型的推理能力结合起来，尝试让生成式AI提供的不再只是一段可观看的影像，而是一个能随用户操作持续变化的环境。
不过，这仍是一项研究预览，而非已全面开放的新服务。根据DeepMind发布公告，Genie 4已开始向受信任测试者推出；Google AI Ultra订阅者通过Project Genie体验，以及Gemini API、Google AI Studio早期访问合作方接入，均被列为后续计划。
这次发布的关键问题，是模型能否在画面、声音和用户干预之间保持连贯，而不只是把单次生成做得更逼真。Google同时承认，长时间运行、复杂物理互动和空间准确性仍是尚未解决的研究难题。
从生成画面，到实时改变世界
按照Google的说明，用户可通过键盘控制导航和视角，也可在模拟进行时用自然语言修改场景，例如改变天气、移动镜头，或加入人物与物体。Gemini会结合周围环境处理这些要求，并在用户两次输入之间继续观察和引导场景演变。
声音是这一代模型的重要变化。DeepMind称，Genie 4是其首个原生生成音频的实时世界模型，能够随环境生成风声、海浪等背景音，也能产生音乐和交互式对白。角色对话会根据用户输入或场景事件实时调整，而不只是给完成的视频配上一条固定音轨。
这些能力目前主要由厂商提供的演示与说明支持。官方产品页明确注明，展示材料来自实时交互录制，但片段经过缩短，结果用于示意。因此，它们不能直接回答模型在不同设备、复杂任务或更长会话中能否维持同样效果。
Gemini负责规划，Genie生成感官场景
Genie 4并不是Google首次尝试可交互的世界生成。DeepMind在2025年8月5日发布Genie 3时，就已介绍能够实时导航的动态环境，当时公布的规格为720p、每秒24帧，并可维持数分钟的一致性。这些数字属于上一代模型，不能作为Genie 4的性能指标。
新公告更突出不同模型之间的协作。Google称，Gemini Omni帮助模拟贴近现实世界的外观和行为，其他Gemini模型则提供维持连贯性所需的推理能力。其中，Gemini 3.8 Flash被描述为循环中的引导智能体：它观察生成场景，将目标拆成步骤，再检查新画面以追踪进展，并在用户介入或环境变化时调整计划。
Google还展示了将Gemini 4 Argon与Genie 4结合的机器人模拟探索：由前者拆解任务，再以文字描述引导后者逐步生成场景。公告中的例子是模拟Apptronik的Apollo人形机器人下跳棋，而不是证明实体机器人已经借此掌握了相应技能。
Google将更紧密结合语言、代码推理与像素级模拟的“混合世界模型”视为后续研究方向。对读者而言，这一区分很重要：能规划并生成一段看似合理的动作过程，不等于已经验证了真实世界中的物理因果关系或任务成功率。
最接近落地的，是创意预演与原型探索
据DeepMind介绍，受信任测试者覆盖创意产业、新闻、教育、游戏与工程领域。电影创作者正在试验把模型作为预演的“草稿模式”，在一个持续运行的场景里调整机位、灯光、对白和动作；游戏开发者则尝试在编写引擎代码之前，先用自然语言探索视觉风格和交互概念。
这与Project Genie此前面向用户的世界构建体验有关联，但并非同一次产品开放。AIFluxNews在2026年3月的Project Genie世界构建指南中，介绍的是如何描述环境、设定角色，以及用图片作为生成起点；不能据此认为这些用户已经获得Genie 4。
如果能够稳定工作，实时调整场景有望缩短从想法到可探索原型的距离。但Google披露的仍是测试者的探索方向，而非已经量化证实的制作成本下降、开发效率提升或商业部署成效。
对新闻与历史场景而言，边界尤其需要明确。Google提到测试者正在探索将档案照片扩展为可体验的环境，但模型补出的画外空间、人物行动和声音并不是照片本身所记录的事实。这样的生成结果可以用于解释或概念展示，不能被当作历史现场的直接证据。
逼真不等于准确，也不等于可以长时间稳定运行
Genie 4官方产品页列出了比“画面偶尔出错”更具体的限制：连续交互仍以数分钟为尺度，而非长时间会话；视觉细节和物体持续性会漂移，尤其在运行较久、反复进行复杂修改或穿行场景之后。
物体持续性意味着，一个暂时离开视野的对象，在用户回头时仍应保持原来的位置与状态。这类能力直接影响交互世界是否可信，也关系到它能否承担重复测试，而不仅是提供一次观感良好的演示。
此外，Google承认，多名独立智能体与共享环境之间的复杂互动仍难以准确建模，真实地点无法被完全准确地模拟，可读文字与实时音频准确性也有待改进。这意味着，不能把逼真的碰撞、人物动作或环境变化，直接视为工程仿真精度的证明。
Google表示，在开放预览前已进行内部安全评估，并将为Genie 4生成的全部视频和音频加入SynthID数字水印。水印有助于识别AI生成内容，但不应被理解为对内容真实性或模拟准确性的保证。
截至此次公告，Genie 4的状态仍是面向有限测试者的研究预览。Google另一篇官方发布说明同样把消费者与开发者接入写为“即将推出”。对于创作者和开发者，值得关注的不只是演示中的视听效果，更是后续开放时的使用范围、持续交互能力，以及模型能否在反复修改后保持可靠一致。