新智元报道
谷歌版「黑客帝国」，今夜彻底成真了！
就在刚刚，GoogleDeepMind甩出深夜王炸，正式发布新一代通用世界模型Genie4。
这是谷歌迄今为止最逼真、最具互动性的AI世界模型。
一句提示词，就能直接造出一座能张嘴接戏、实时改命的「活体宇宙」！
谷歌CEO劈柴第一时间宣布：从「生成一段视频」到「实时运行一个世界」，言出法随的「绿洲」时代来了！
划重点，这次的Genie4，直接把世界模型拉进了「有声、有人、有大脑」的全新纪元：
Genie系列首次原生生成声音与即兴对话。同步生成环境音与配乐，更能让角色根据突发状况张嘴即兴交谈。
2分钟连贯长记忆，24帧丝滑交互。单次连贯世界维持时间翻倍至约2分钟，实机画面稳定在约24帧/秒。
重塑逼真人类与刚体物理。借助GeminiOmni锚定现实常识，人物微表情、镜面反射与物理碰撞全面跃升。
三大Gemini联手组成「混合世界模型」。Gemini3.8Flash在后台盯画面当「导演」，Gemini4Argon拆解22步精细动作指挥机器人下跳棋。
你往前走一步，世界就实时长出一寸；你改一句话，物理法则和NPC台词当场跟着重写。
当视频模型还在比拼几秒钟的镜头美感时，谷歌已经为未来的通用Agent与机器人，造出了可以无限试错的平行宇宙。
现在，谷歌已经开始内测Genie4，GoogleAIUltra用户可以去申请waitinglist了。
只要一句话，为你当场「生成一个宇宙」
为了展示Genie4的统治力，谷歌放出了一系列极具震撼力的Demo，风格之跨越，细节之变态，让人叹为观止。
而且，在Genie4面前，你不再是观众，你是「第一人称游戏玩家」，是这个世界的「上帝」。
你敢信，下面这段王家卫风满满的香港大桥飙车戏，根本不是原片？
后座的女孩刚喊出台词，玩家敲进两行字：「背景发生爆炸」「毁灭世界的巨型外星触手」。
紧接着，远处的维港天际线立马火光冲天，外星触手直接从天砸落！
连路灯的橘色拖影、女主的皮肤质感和细微的担忧表情，都在长镜头中被完美渲染。
去年的Genie3虽然开创了实时交互视频的先河，但有一个致命短板——没有声音，生成真人时也漏洞百出。
谷歌直接放出了一段Genie3与Genie4的同屏对比。
左边Genie3还是五官粘连、肢体僵硬的无声纸片人；右边Genie4在GeminiOmni的现实常识锚定下，已经能拍出化妆镜暖光、演员微表情，甚至镜面的实时倒影，细腻得如同实拍长镜头。
拿到抢先测试资格的沃顿商学院教授EthanMollick，晒出第一手实测录屏。
他只喂了一句「由马和机器人共同居住的新哥特式粗野主义城市」，不到1分钟，这座城市就出现了。
单帧延迟稳定在23.4至25.3FPS。随手点一下「巨龙掠空」按钮，一头巨龙几秒内便扇动双翼，呼啸掠过！
还不够过瘾，他又输入：「一只友好的水獭NPC走过来问问题」。
紧接着，街角当真跑出一只穿马甲的水獭，用伦敦腔搭话：「打扰一下，旅行者。」
紧接着，他又晒出一段神级实测：在Genie4里跑《毁灭战士（DOOM）》！
他先设定「走进一间每台电脑和墙壁都在跑DOOM的办公室」，接着连敲三道指令：「恶魔同事出现」「手里拎着加特林机枪」「给我发了一笔奖金」。
话音刚落，真的走出一位恶魔同事，双手转着重型加特林，当场发起奖金！
a16z合伙人JustineMoore也晒出了水下潜行实测，表示这是巨大的飞跃。
在海底洞穴中点下「受诅咒的紫钻发光」与「电鳗群袭来」，洞穴深处瞬间紫光爆闪、出现巨大电鳗群。
再点一下「幽灵海盗现身」，立马出现海盗船长亡灵，太逼真了。
前谷歌AR/3D产品经理BilawalSidhu，则把Genie4当成了科幻大片的实时虚拟片场：
他召唤出UFO，打出一句「它把我吸了进去」——UFO瞬间轰开牵引光束，准备把人吸进去。
四大关键功能
谷歌官博介绍，Genie4提升了四大关键功能。
实时塑造世界模拟
我们可以使用自然语言实时修改模拟场景——例如改变天气、移动镜头或引入新的人物或物体——Gemini会根据周围场景调整我们的指令。输入指令的间隙，Gemini还会监控、引导场景，确保整个世界流畅发展。
听起来，简直是盗梦空间成真了？
一个男人在岛上吹着萨克斯，敲下「鲸尾出现」，他身后的水中立刻出现鲸鱼。
随后，我们让这个世界开始下雪，鹅毛大雪立刻飘落。
要是把镜头拉到第一人称视角，这种实时改写世界的冲击感还会进一步放大。
这个画面中，我们以140公里的时速骑着巨龙俯冲，掠过古堡，如果下令「城堡发射火球」，塔楼当场喷出烈焰，火球擦身而过，刺激感拉满。
下面这个场景中，Genie4先根据用户提示生成了南极冰封大地，然后生成了第一人称视角的乘热气球场景。
拓展物理学和人类行为的现实边界
这次，Genie4为交互模拟引入了全新的真实感标准。
基于对世界物理的超强理解，Genie4对于真实世界的物理场景模拟得十分逼真，比如空气动力学、碰撞等等。
而Genie4最显著的进步就在于模拟人物，它能创造出自然移动、对环境做出反应、可实时交互式操控的角色。
80年代的日本乡村车站，给一个prompt，乘务员就会喊出发车提示。
再给一个提示，立马让一位老妇人提着行李箱出现。
接下来的画面，让我们感叹Genie4物理交互的极度逼真。
户外庭院的台子上，让大理石半身像砸向西瓜。
砰的一声闷响，瓜瓤与汁水四处飞溅——从重力冲击到碎片轨迹，Genie4在实时交互中还原得恰到好处。
对柔体力学与空气动力学，Genie4同样手拿把掐。
草甸上的粉色丝绸，只要吹起一阵风，立刻迎风翻涌出层层丝滑波浪，十分真实。
一只枫树种子掉落到地上的特写镜头，都逼真不已。
把镜头推到毫厘之间的微距视角，枫树翅果像直升机螺旋桨一样自旋滑落，轻轻停驻草叶之间。
告别「无声蜡像馆」，Genie4能模拟声音了！
Genie4是谷歌的首款原生生成音频的实时世界模型。
每个世界都拥有自身环境的声音，比如树叶沙沙作响，海浪拍打沙滩。
然而，真正的挑战还是人类语言！Genie4引入了实时互动对话功能。角色会根据你的输入或事件进行实时对话和反应。
这个半透明的3D彩绘玻璃世界中，用提示词召唤出一只鹿。最吸引人的是，它的脚步声都自动变成清脆的琉璃碰撞声。
硬核架构拆解：三大Gemini轮番上阵，搭起「混合世界模型」回路
如果仅仅把Genie4当成画质更好、能发声的「大号视频生成器」，那就低估了GoogleDeepMind的野心。
过去的实时世界模型之所以玩不过几十秒就容易崩盘，是因为纯像素预测缺乏长程逻辑规划，往往做完第一步，就把后面的目标忘得一干二净。
为了治愈这个顽疾，谷歌这次端出了极具颠覆性的「混合世界模型」架构，派出三款Gemini模型与Genie4组团打配合。
这样，世界模拟就增添了一个全新的推理层面，让Genis4能模拟复杂的多步骤事件，并在将AI引入现实世界之前，测试它们如何在不同环境中运行。
第一重配合，是让Gemini3.8Flash在循环回路里充当实时控场的「总导演」。
当Genie4在前面逐帧生成画面时，Gemini3.8Flash就在后台实时盯着画面拆解多步推理序列，一边验证当前步骤是否完成，一边下达下一步指令。
随着用户干预，Gemini会立刻调整，生成具有可靠因果、程序员行为和多步骤推理的世界。
看看下面这场近景魔术：玩家每次关上箱门挥动魔术棒，右上角的Gemini3.8Flash就会确认步骤完成，指挥Genie4先把孔雀变成橘猫，再把橘猫变成复古收音机！
哪怕半途突然改戏，这位「总导演」也能当场重排剧本。
比如在冰天雪地里让一颗流星划过，再指挥灰冠鹤走到电子琴前啄出旋律，最后让它一飞冲天。
如果说Gemini3.8Flash解决了「世界怎么按逻辑演进」，那么Gemini4Argon与GeminiRobotics的加入，则捅破了具身智能与机器人训练的天花板。
当人类下达一句「跟对面的男孩下跳棋，走一步红棋」，左侧的Gemini4Argon会瞬间将任务拆解为22步毫米级动作剧本。
这些高密度指令实时注入Genie4的生成流中，驱动右侧的Apollo机器人行云流水地完成捏棋、走子与对弈。
甚至，Genie4还能进实验室做精密科研。
哪怕是工业级的UR5六轴机械臂，也能在Genie4里精准夹持移液管，插入微孔板滴注液体。
即便中途把目标挪走，模型也能实时重算策略，按新位置完成抓取。
通往ASI的必经之路，是先造出一个世界
什么是真正的「世界模型」？
是你推开一扇门，转身离开30秒，再走回来，那扇门依然开着。
能记住物理规律，能维持空间记忆——这，就是视频模型与世界模型的分水岭！
元股证券:ygzq.hk现在，GoogleGenie4做到了。
靠着「海量无标签视频预训练+少量动作轨迹微调」，再加上Gemini的符号逻辑与长程记忆，Genie4一举将单次连贯世界的维持时间推到了约2分钟。
从此，构建交互环境彻底告别了繁琐的手工3D建模。
现在，Genie4已向GoogleAIUltra用户开放，更将作为史上首款进入GeminiAPI与GoogleAIStudio的世界模型向开发者敞开大门。
我们能看出谷歌的野心：真正的AGI，绝不可能只活在对话框里！
当AI学会在自己创造的平行宇宙里穷尽万千种物理可能股票双边投资账户，它真正推开现实世界大门的那一天，也就不再遥远了。
炒股多空网提示：本文来自互联网，不代表本网站观点。
