当地时间10月27日，谷歌宣布推出新一代世界模型Genie 4，可实现高真实感实时交互模拟，并动态生成环境音、音乐和交互式对话。

用户还可以在场景展开过程中输入指令，实时改变天气或添加角色等。谷歌表示，模拟环境最长可运行两分钟，约为上一代Genie 3的两倍。

Genie 4也是该系列首款能够同步生成声音和画面的产品，包括环境声音、音乐，以及能够对用户行为作出反应的对话。

谷歌正以研究预览的形式，向一小批受信任的测试者开放Genie 4。

未来几周，公司计划向付费订阅最高档Google AI Ultra套餐的用户开放，同时也将向部分使用应用开发工具Google AI Studio和Gemini API的开发者提供访问权限。

关于谷歌Genie

截至 2026 年 10 月，Genie 是由 Google DeepMind 研发的基础世界模型，可根据图像或文本提示生成交互式虚拟环境。该模型于 2024 年 2 月首次发布，通过无监督学习互联网视频训练，无需动作标注即可实现可控的视频生成。技术原理

Genie 核心采用 ST-transformer 架构，包含三大组件：

1. 视频分词器：基于 VQ-VAE 将视频帧压缩为离散标记。

2. 潜在动作模型：从原始视频中无监督推断潜在动作。

3. 动力学模型：根据潜在动作和历史帧预测下一帧。

模型参数量约 110 亿，训练数据来自超过 20 万小时的公开游戏视频。

版本发展

- Genie 1（2024 年 2 月）：生成 2D 交互环境。

- Genie 2（2024 年 12 月）：扩展至 3D 世界，支持 1 分钟交互时长。

- Genie 3（2025 年 8 月）：720p 分辨率、24fps 实时交互，新增可提示世界事件功能。

- Project Genie（2026 年 1 月）：向 Google AI Ultra 付费订阅用户开放实验性体验。

应用场景

Genie 主要用于以下领域：

- 游戏开发：快速生成关卡原型和沉浸式探索场景。

- 智能体训练：为机器人和自动驾驶提供虚拟训练环境。

- 概念艺术：将草图或概念图转化为可交互虚拟环境。