Genie 4 发布：2 分钟长记忆，三大 Gemini 构建有声世界模型

据 Woofun AI 消息，Google DeepMind 正式发布新一代通用世界模型 ，标志着人工智能从静态内容生成向动态实时世界模拟的范式转移。该模型被定义为谷歌迄今最逼真且具备高度互动性的世界模型，其核心突破在于通过自然语言指令即可构建并实时演算一个包含物理法则、角色行为及环境反馈的'活体宇宙'，彻底改变了以往视频生成模型仅能输出短时片段且缺乏逻辑连贯性的局限。

这一发布不仅确立了 Genie 4 在实时交互领域的领先地位，更预示着 AI 代理与机器人训练将拥有无限试错的平行数字环境，为通用人工智能（AGI）的落地提供了关键的仿真基础设施。

在视听体验与交互流畅度方面，Genie 4 实现了从无声到有声、从短片段到长记忆的质变。Woofun AI 整理数据显示，该模型首次原生支持声音生成，能够同步输出环境音、配乐以及角色的即兴对话，使虚拟角色能够根据突发状况进行实时语言交互，打破了以往世界模型'哑剧式'的交互瓶颈。在时间维度上，Genie 4 将单次连贯世界的维持时间翻倍至约 2 分钟，这意味着模型能够在长达两分钟的窗口内保持场景逻辑的一致性，而非在几十秒后因记忆丢失而崩溃。

同时，其实机画面帧率稳定在约 24 帧/秒，确保了视觉输出的丝滑感，使得用户在进行第一人称视角的实时操控时，能够获得接近真实游戏引擎的流畅体验，为复杂的即时战略或角色扮演场景提供了技术基础。

物理仿真精度与人类行为逼真度的提升，是 Genie 4 区别于传统视频生成模型的另一大核心特征。借助 对现实常识的深度锚定，该模型在人物微表情捕捉、镜面反射渲染以及刚体物理碰撞模拟上实现了全面跃升。在官方展示的对比测试中，相较于 存在的五官粘连、肢体僵硬及无声缺陷，Genie 4 能够精准呈现化妆镜暖光下的演员微表情、镜面的实时倒影以及细腻的皮肤质感，其逼真程度堪比实拍长镜头。

这种对物理规律和人类行为边界的拓展，使得模型不仅能生成静态画面，更能模拟空气动力学、重力冲击等复杂物理现象，例如大理石半身像砸向西瓜时的碎片飞溅轨迹，或粉色丝绸在风中翻涌的柔体力学效果，均展现出极高的物理真实性。

支撑上述高性能表现的，是 Genie 4 采用的'混合世界模型'架构，该架构由三款 Gemini 模型协同工作，解决了纯像素预测缺乏长程逻辑规划的顽疾。其中， 在后台充当'总导演'，实时监控画面并拆解多步推理序列，验证当前步骤完成情况并下达下一步指令，确保世界模拟具备可靠的因果逻辑和多步骤推理能力。

与此同时， 专注于具身智能任务，能够将复杂指令拆解为毫米级动作剧本。例如，在'下跳棋'任务中，Gemini 4 Argon 瞬间将'走一步红棋'拆解为 22 步精细动作，驱动 机器人完成捏棋、走子与对弈。

此外， 的加入进一步打通了虚拟仿真与现实机器人的连接，使得 Genie 4 能够作为机器人训练的沙盒环境，测试 AI 在不同物理环境中的运行策略。

用户实测案例进一步验证了 Genie 4 在多样化场景下的生成能力与交互稳定性。沃顿商学院教授 在抢先测试中，仅通过一句'由马和机器人共同居住的新哥特式粗野主义城市'的提示词，便在不到 1 分钟内生成了完整城市场景，单帧延迟稳定在 23.4 至 25.3 FPS。他随后输入'巨龙掠空'，巨龙随即扇动双翼呼啸而过；再输入'一只友好的水獭 NPC 走过来问问题'，街角便出现一只穿马甲的水獭，用伦敦腔搭话：'打扰一下，旅行者。'更令人惊叹的是，他在 Genie 4 中运行《毁灭战士（）》场景，设定'恶魔同事出现'、'手里拎着加特林机枪'及'给我发了一笔奖金'后，模型实时生成了一位手持重型加特林机枪的恶魔同事，并当场发起奖金，展现了模型对复杂游戏逻辑和角色行为的精准理解与实时重构能力。