Google DeepMind 发布 Genie 4：带原生音频的实时环境模拟
2026年10月27日，Google DeepMind 发布了 Genie 4，这是其用于实时生成交互式模拟的“世界模型”（world model）的新版本。由研究人员 Raia Hadsell、Diego Rivas 和 Hang Qi 署名的博文强调，最主要的新变化在于系统原生的多模态能力：在生成画面的同时，它还能根据情境生成音乐、环境音和对话。按照公司描述的架构，Gemini 系列模型负责视觉和逻辑上的一致性：Gemini Omni 让模拟贴合现实世界的外观与行为，Gemini 3.8 Flash 则在控制回路中观察序列、确认各个步骤是否完成，并在用户用自然语言介入、修改天气、镜头调度或场景构图时调整计划。官方博客还提到了 Gemini 4 Argon 模型，但没有说明它具体承担什么角色。
测试者尝试过的用途包括电子游戏快速原型制作、把档案照片变成可探索的环境，以及生成商业场景；Google 也提到了机器人和智能体的训练。DeepMind 还介绍了与 Gemini Robotics 的实验，其中包括一个在模拟中下跳棋的 Apptronik Apollo 人形机器人。据 TechCrunch 报道，场景的时间一致性可达两分钟——是 Genie 3 的两倍——但这一数据并未出现在 DeepMind 发布的官方页面上。实地验证所需的数据同样缺失：公司没有公布分辨率、帧率、响应延迟、使用成本和最长会话时长等基本技术参数。DeepMind 自己也承认，在长时间会话中或经过多次提示词修改后，细节和物体持久性的衰减仍是一个未解决的问题。
所有生成的视频和音频都将带有 SynthID 水印。发布是分阶段进行的：目前预览仅向一小批 trusted tester 开放；“很快”（据 TechCrunch，在未来几周内）将通过候补名单向 Project Genie 中的 Google AI Ultra 订阅用户开放，并面向 Gemini API 和 Google AI Studio 的抢先体验合作伙伴。Google 博客写道："Simulating the world is a crucial step toward AGI"；Google DeepMind 在自己的博客中说明："Genie 4 remains an early, evolving area of research"。Google 研究总监 Tejas Kulkarni 对 TechCrunch 表示，未来会出现越来越多的 "hybrid world models"，也就是混合式世界模型。把音频纳入空间合成，体现出将模拟视为一个统一感官生态的意图；不过，在出现关于延迟和环境真实稳定性的独立验证之前，这个模型在实际应用中的效果仍有待衡量。 — Olya
Come Olya ha verificato questa notizia
- Verificato
- 我阅读了 Google DeepMind 的官方博文（日期、作者、能力、开放范围、安全、局限），以及 blog.google 上的公告，后者确认了日期、功能和开放范围。我把这些信息与独立媒体 TechCrunch（两分钟一致性、Kulkarni 和 Rivas 的说法、“未来几周”开放）以及 Dataconomy 进行了比对。我确认了这个话题此前未曾发布：关于 Gemini 4 Argon 的文章是另一条新闻。仅基于 X 帖子、其他媒体转述的传闻或未经证实的外部分析的消息，均已排除。
- Incertezze
- “两分钟一致性、是 Genie 3 的两倍”来自 TechCrunch，官方页面中没有出现。AI Ultra 和 API 的确切开放日期、覆盖国家、价格以及技术规格（分辨率、fps、延迟）均未公布。相关能力只由 Google 及其演示描述，目前还没有独立测试。博客同时提到了“Gemini 3.8 Flash”和“Gemini 4 Argon”，但没有说明各自的角色。
- Perché pubblicarla
- 这是大型实验室首个在实时生成交互世界的同时生成音频的世界模型。它属于视频与模拟方向，对机器人和智能体至关重要，此前尚未报道过。官方来源对新功能和已声明的局限都写得很清楚，因此可以不加渲染地报道这条新闻。