谷歌Genie 4发布：一句话生成可交互世界，AI实时造物时代来临

给AI一段描述，它就能生成一个可以走进去的世界，你还能一边探索、一边用文字改变天气、添加角色，甚至决定接下来发生什么。10月27日，Google DeepMind正式发布新一代世界模型Genie 4，将实时生成、交互控制与声音模拟整合进同一个虚拟环境。这一次，AI不再只是生成一段固定的视频，而是创造一个世界，并让它随着人类的操作持续运转下去。

离真正的游戏还有多远

Genie 4最直观的能力，是让用户用自然语言创建一个可探索的世界：键盘控制移动与镜头，文字指令改变正在发生的事情，比如行走中让天空下雨、在场景中突然加入一个角色。与AI视频生成的关键区别在于，视频的镜头与事件已经固定，而Genie 4需要根据下一次按键、下一句指令决定接下来出现什么。这一次连声音也纳入模拟，海浪有声、人物开口说话并回应环境事件。

官方演示覆盖事件模拟、物理碰撞、音画同步等核心维度：第一人称摩托车场景中，一句「traffic light green」即可让信号灯切换、引擎轰鸣、车辆驶入海岸公路，模型需理解信号变化与车辆运动的关系；湖上萨克斯演奏则考验画面与原生音频的同步表现，声音由模型直接生成而非后期配乐。首批测试者更是花样百出：沃顿商学院教授一句话生成可探索的新哥特式城市并随时加入龙与水獭NPC；有投资人把水下洞穴逐步改造成带剧情的游戏原型；影视创作者将其当作虚拟片场实时调整镜头光线。

从多年产业实践经验来看，Genie 4能让用户不断追加要求，背后离不开Gemini的参与：Gemini Omni帮助模型理解真实世界的外观与行为，Gemini 3.8 Flash则作为实时引导Agent参与任务规划。当用户提出复杂要求时，Gemini持续观察生成画面，把目标拆成多个步骤并根据每步结果调整后续计划，例如让角色走到桌旁、拿起物品再交给另一个人，系统需要安排移动路线、动作顺序并在环境变化时及时修正。官方还展示了机器人实验：Gemini 4 Argon将任务拆分，Genie 4模拟Apptronik Apollo人形机器人下跳棋的过程。这种语言模型任务规划与世界模型实时模拟相结合的路线，未来有望用于在虚拟仓库训练机器人搬运、让Agent在模拟环境试错多步骤任务，这也是Google将世界模型视为通向通用AI重要方向的原因。

看完演示很容易产生「以后做游戏只需写几句话」的想象。Genie 4确实对游戏概念设计与交互原型很有价值，部分受信任的游戏开发者已用它验证美术风格、材质与交互想法。但要成为真正的游戏制作工具，仍有硬门槛：单次交互约两分钟，对长期运行的游戏窗口有限；官方承认随模拟持续运行、镜头移动或提示词多次修改，物体外观与位置可能漂移，走进房间再返回时桌上杯子能否还在原位，直接决定虚拟环境是否具备可靠的长期状态；复杂物理交互、音频准确性、空间精度与文字渲染也待改进。游戏开发还涉及规则、道具、数值与状态管理，玩家拾取钥匙、开门后系统必须记住这些状态，这需要稳定可验证的逻辑系统。现阶段它更适合原型、交互体验与视觉概念验证，未来将代码与语言模型的结构化推理能力和像素级模拟结合，是值得关注的技术路线。

Genie 4目前仍处于研究预览阶段，仅向少量受信任测试者开放，后续计划逐步开放给Project Genie订阅用户及API合作伙伴。当生成出的世界能长时间稳定运行、角色与物体遵循可靠规则、AI可以在其中不断行动与学习时，「全民造物主」才真正从尝鲜走向生产。造世界只是第一步，下一步是让AI创造的世界真正运转起来。