一、AI 造的世界，第一次开口说话
美国当地时间 2026 年 10 月 27 日，Google DeepMind 发布世界模型 Genie 4，形态是 research preview（研究预览），首批只对 trusted testers（受信任测试者）开放。官方博客标题是《Genie 4: A new generation of world simulation》，署名作者为 Raia Hadsell、Diego Rivas、Hang Qi。Sundar Pichai 当天在 X 上发文背书：「今天很高兴分享 Genie 4——我们迄今最逼真、最具交互性的世界模型：实时导播动态环境，塑造事件、镜头角度与动作。」
官方对 Genie 4 的定位表述是「解锁前所未有的真实感，并改进实时交互模拟」。但这次发布真正的爆点不是画面，而是声音：Genie 4 是 DeepMind 首个在实时世界模拟中原生生成音频的世界模型——音乐、环境音、交互式角色对话与画面同时生成，而不是先渲染视频再配音轨。官方博客里有两句话值得连读：「每个世界自带其环境的背景声，从林间风声到海滩碎浪」；「而真正的边界，是人类语音」。角色能对你的输入和世界内的事件实时开口回应——AI 造的世界，第一次「会说话」了。
DeepMind 还在博客里写了这句：理解并模拟世界，是构建 AGI 的关键一环。这句话把 Genie 4 的地位说得很清楚：它不只是「能玩的生成工具」，而是 DeepMind 路线图里通往 AGI 的一块拼图。
先做分工声明：本篇是对 Genie 4 这次发布的深度解析，不是世界模型横评——Runway GWM Worlds 2 等同类产品只作背景参照；想看多款世界模型同台打分，等我们的横评篇。
二、四大进步：导播、物理、人物、声音
官方把 Genie 4 相对上代的进步归纳为四条。
第一，实时 steering（实时导播）。你可以用标准键盘控制导航与镜头，用自然语言在模拟运行中修改世界：改天气、移动镜头、加入新人物或物体。Gemini 会把提示词做上下文适配，让它贴合当前场景；更关键的是，在你两次输入之间，Gemini 还持续监测并引导场景保持连贯推进——世界不是等你下指令才动，而是自己往前演。
第二，物理。官方称对空气动力学、碰撞等真实世界交互的模拟更准确。这一条听着朴素，但对机器人仿真和游戏原型验证，它决定模拟结果能不能当真。
第三，人物动作，官方称为最大跃迁。官方原文说：「最戏剧性的跃迁在于 Genie 4 如何模拟人」——创造出的角色动作自然、对环境作有机反应、并可被实时引导交互。此前世界模型里人物的「塑料感」，正是最容易被一眼识破的短板。
第四，音频，也就是上节说的原生多模态。Genie 线此前三代都只有画面，这是第一次把声音长进世界里。
四大进步之外，官方还单列了一个「推理」维度：Gemini 系模型进入循环规划多步事件，让场景按因果链推演，而不是逐帧被动反应。媒体常把它并入架构叙述，但值得单独记一笔——这是 Genie 4 与「视频生成模型」最本质的差别，下一节展开。
三、Gemini 进了循环：一套混合架构
Genie 4 的架构是混合式的。官方原文的分工是：Gemini Omni 把模拟锚定在真实世界的外观与行为上，其余 Gemini 模型提供维持连贯与连续所需的复杂推理。
其中最值得玩味的是 Gemini 3.8 Flash 的角色：它作为「引导智能体」进了循环。官方原文：Genie 4 实时生成世界的同时，Gemini 3.8 Flash 持续观察场景、把目标拆解为步骤序列、审查逐帧输入，以追踪进度并验证每一步是否成功；世界发生变化或用户干预时，它会当场调整计划。官方称这带来「可靠因果性、程序化行为与多步推理」的世界。
据财联社补充口径，团队试过让 Gemini 4 Argon 进循环，但实际驱动实时体验的是更轻量的 Gemini 3.8 Flash——实时回路对延迟极度敏感，最强的模型未必是最合适的司仪。
这套架构有个很直观的官方演示：Gemini 4 Argon（谷歌本月早些时候公开发布的模型）把任务拆解为步骤，Genie 4 实时渲染执行——Apptronik Apollo 人形机器人下跳棋，步骤以字幕形式随模拟出现。另一段演示提示词是 Universal Robots UR5 机械臂持移液器向实验板加液并触发微小电火花。TechCrunch 把这类实验解读为「在物理世界执行前，先在模拟环境中测试机器人行为」的路径，指向 Gemini Robotics 与世界模型的结合。
谷歌研究总监 Tejas Kulkarni 在媒体吹风会上说得更具纲领性：「未来我们会越来越多看到这类混合世界模型——Gemini 负责写代码和文本，Genie 实时接收这些内容，并在不同抽象层级上模拟现实。」翻译一下：世界模型不再是一个孤立的视频引擎，而是与语言模型互为手脚的模拟系统。
四、两分钟：数字是真的，口径要分清
据 TechCrunch 与 The Verge 报道，Genie 4 可将一致场景维持约 2 分钟，为上一代的两倍。
这个「2 分钟」要分三层口径说清楚。其一，DeepMind 官方博客并没有对 2 分钟作直接量化背书，只承认长时间运行后细节与物体恒存性仍会漂移；「翻倍至约 2 分钟」目前是外媒引述口径，不是官方量化承诺。DeepMind 研究工程师 Hang Qi 补充得更直白：即使跑到两分钟上限，也不代表全程画面完全一致。
其二，「上一代只有约 1 分钟」是媒体简化。Genie 3 官方博客原文是「720p 分辨率、24fps 实时导航、数分钟内保持一致性」，视觉记忆可回溯约 1 分钟；把 Genie 3 压成「1 分钟上限」是对比叙事里的简化处理。更贴近「60 秒」这个数字的，是 2026 年 1 月基于 Genie 3 的 Project Genie 原型——它单次生成上限约 60 秒，Genie 4 的约 2 分钟与之相比才是干净的翻倍。建议用这个基准来记：从 Project Genie 原型的约 60 秒，到 Genie 4 媒体口径的约 2 分钟。
其三，两分钟也不必急着嘲笑短。DeepMind 产品经理 Diego Rivas 对媒体的回应很坦白：两分钟能做的事终究有限，团队仍处研究探索期，尚未进入最终产品开发。回看谱系：Genie 1（2024 年，从视频学习动作与环境关系）、Genie 2（2024 年 12 月，非实时、360p、单次交互 10 到 20 秒）、Genie 3（2025 年 8 月，实时生成与交互）、Genie 4（原生音频加 Gemini 推理循环）——每一代的斜率，都比绝对值更有信息量。
五、竞品在台上，巨头在收购台
两个月前，2026 年 9 月 3 日，Runway 发布 GWM Worlds 2（研究预览），是 Genie 4 最直接的竞品：连续 720p / 24fps 视频与 48,000 Hz 同步音频，响应文本动作与逐帧镜头输入；WorldPrompt 输入分两层——持久世界上下文加带时间戳的事件流，物理规则、角色属性、镜头视角均可声明；还支持 LiveKit 多人会话，分 player 与 director 等角色。它有个扎眼的特性：无预设会话长度上限——对比 Genie 4 媒体口径的约 2 分钟，这是天然反差。不过 Runway 的获取同样受限：contact form 审批，无公开 API。
赛道另一头是整合潮。9 月 28 日，AMD 宣布以全股票约 82 亿美元收购 World Labs——李飞飞的空间智能公司，核心产品是生成可交互 3D 场景的 Marble——这是 AMD 史上第二大收购（仅次于 2022 年收购赛灵思），交易完成后李飞飞将加入 AMD 任执行副总裁兼首席科学家，直接向苏姿丰汇报。《华尔街日报》10 月 11 日报道，亚马逊正洽谈收购世界模型公司 Decart，估值约 70 亿美元——此前 Anthropic 曾洽购约 60 亿美元，于 9 月放弃；Rivian 则收购了 Third Dimension，把模拟能力收回内部用于自动驾驶测试。世界模型正从创业公司赛道，收敛为巨头的并购标的。
行业格局一句话：2026 年的世界模型，沿「实时可导播视频（DeepMind Genie、Runway）」与「可导出 3D 几何（World Labs 的 Marble）」两条路线分野，而 Genie 4 的发布，是前者目前最重的一颗砝码。
六、谁能用上、边界在哪
获取路径分三步：发布时仅向 trusted testers 开放；官方博客已开放 Project Genie 的 waitlist（候补名单）申请入口，但未给出扩大开放的具体日期；下一步为数周内面向 Google AI Ultra 订阅者与 Gemini API / Google AI Studio 早期合作伙伴。无公开定价——发布时点官方未公布价格；Ars Technica 提醒，Google AI Ultra 订阅每月 100 美元起，想尝鲜可以按这个数预估门槛。
官方列出的 trusted testers 背景领域是影视、新闻、教育、游戏、工程：影视人实时跑多条分镜 take，新闻摄影师把单张档案照片变成可走进去的环境，游戏开发者在写引擎代码前做原型验证。Diego Rivas 对媒体说，实时回路的最大价值在构思与分镜阶段——创作者可以快速试想法而不打断心流。海外开发者的形容是「置身片场」：进入实时运行的模拟场景，连续录制多次「拍摄」，即时调整机位、灯光、声音与人物动作。
安全方面，Genie 4 生成的所有视频与音频输出均带 SynthID 不可见水印，预览发布前跑过内部安全评估，官方称有与其它模型政策一致的严格 guardrails。
边界也要照官方的抄：视觉细节与物体恒存性（object permanence）在长时间会话、多次复杂提示词编辑或场景导航中仍会漂移；复杂物理交互、实时音频准确度、画面内文字可读性、空间精度、长期一致性，均是官方点名的活跃研究方向。未公布的也如实列出：跑分、分辨率、帧率、参数量、音频语言列表、采样率、定价，官方均未披露——任何具体规格数字，都别信转述。另外提醒一句：档案照片变成可走进的环境很有吸引力，但照片画面之外由模型补全的细节，不能当作史实。
最后是那个绕不开的行业问题。Bloomberg 的报道标题就是「谷歌升级了那个动摇过游戏股的 AI 世界模型」：2026 年 1 月 Project Genie 原型发布时，Unity、Roblox、Take-Two 等游戏股大跌；本次发布会后，Diego Rivas 回应游戏业影响时表示，公司正与伙伴一起理解这项技术如何嵌入其工作流、边界在哪——没有直接承诺，问题悬而未决。
七、结语
Genie 4 这次发布，真正的新闻不是「画面更真了」，而是两件事同时发生：AI 世界第一次有了原生的声音，语言模型第一次作为「导演」进了世界模型的实时循环。至于两分钟——按 TechCrunch/The Verge 的报道口径，是上一代的两倍；按官方更保守的措辞，它还是研究预览。从 Project Genie 原型的约 60 秒，到媒体口径的约 2 分钟，再到官方承诺的「数周内」向订阅者开放，世界模型的时长曲线和当年的视频生成一样：短得让人发笑，涨得让人心惊。值得盯的下一站，是数周内 AI Ultra 订阅者拿到手的版本，以及 Runway 那个「无会话长度上限」何时迎来正面对线。