北京
出品 | 网易智能
作者 | 小小
编辑 | 王凤枝
骑着巨龙掠过山谷，视角随你转动，耳边是振翅声和呼啸而过的风声。谷歌这次展示的AI世界，已经有了几分亲手玩游戏的感觉。
图：谷歌官方演示节选，GIF不含声音
美国当地时间10月27日，谷歌DeepMind发布新一代世界模型Genie 4的研究预览。此前，用户已经能进入AI生成的场景四处探索。这次，风声、水声和音乐也能随画面一起生成，场景里的人物还能根据用户输入和眼前发生的事，开口接话。
用户也可以边玩边改。想让大晴天突然下雨，或者往场景里加个新角色，直接输入文字，AI就会顺着改动继续生成。谷歌邀请的电影创作者正在尝试拿它做拍摄预演：同一场戏，换个机位、改句台词，先在AI里试一遍，再决定怎么拍。
这些玩法目前还只向少量受邀测试者开放。谷歌计划随后通过Project Genie向Google AI Ultra订阅用户提供，尚未公布具体日期。
图：Google DeepMind发布Genie 4
01骑龙、坐热气球，想去哪里自己控制
开头的骑龙演示里，视角一直留在骑手的位置。黑龙的头颈就在眼前，身旁有其他龙飞过，前方的山谷渐渐让位于一座城堡。画面下方保留着键盘按键，往哪飞、怎么转向，由用户自己控制。
谷歌为这段演示写了很长的场景设定：山地竞速、其他骑手、带有投石机的城堡，以及风声、振翅声和远处的轰鸣。镜头也受到限制，不能突然切到第三人称，更不能跳到巨龙外面，变成一段跟拍视频。
保持这个视角，用户才能一直待在骑手的位置上，转头看看旁边的对手。如果镜头突然跳到远处，自己便又成了观看飞行场面的旁观者。
想安静一点，也可以去湖上听一段萨克斯。
谷歌另一段演示中，一名穿棕色西装的男子站在湖上平台演奏。周围长着野草和树木，旁边悬着一颗发出暖光的球体，远处是雾蒙蒙的水面。
这组提示词要求采用16毫米胶片质感，使用柔和的阴天光线，不要过度锐化，也不要强烈的明暗对比。声音只留下湖水、风和萨克斯，不另加背景配乐。你可以移动镜头凑近乐手，也可以把视线转向远处的湖面。
图：官方演示截图。右上角记录了追加鲸鱼尾巴的指令
听到一半，突然想往湖里加点东西，也可以继续输入。截图右上角就记录了一条追加指令：让鲸鱼尾巴从演奏者身后的水面慢慢露出来，同时保持原有的胶片风格。画面里，乐手还在原来的位置，背后的湖面上多出了鲸鱼尾巴。
为了这个临时冒出的念头，用户不必重新描述整幅画面，可以沿着眼前的场景继续改。
南极热气球演示则换成了高空视角。冰川铺到远处，热气球散布在空中，用户像站在吊篮里一样观察四周。原始设定还写到了篮筐的皮革包边、支撑杆和链条，希望这些近处的细节能让人感到自己确实身处吊篮之中。
图：官方演示节选，保留了移动和视角控制按键；GIF不含声音
几组演示里的输入方式相近：用按键决定往哪走、朝哪看，用文字补充希望发生的事。用户每次改变方向或提出要求，模型都要继续生成后面的画面，而不是把一段固定视频换个播放进度。
02场景有了声音，里面的人也能接话
这次最容易听出区别的升级，是原生音频。
按照谷歌的介绍，Genie 4可以在生成世界的同时生成环境音、背景音乐和角色对白。湖面上可以有水声和乐器声，飞行时可以有风声，人物也能根据用户的要求或场景里的事件作出回应。
这些对白并非提前配好、反复播放的固定台词，用户中途改变情节，人物也能顺着新情况接话。用户可以一边探索，一边编故事，试着让场景里的人参与进来。
不过，“边玩边改”本身并非Genie 4首次提出。2025年8月发布的Genie 3，已经展示过通过文字改变天气、加入物体或人物的能力；今年1月推出的Project Genie原型，则还没有包含这项功能。谷歌当时展示过这项能力，普通用户却还没能用上。
Genie 4继续往前做的一步，是让这些临时变化带上声音和人物反应。
沃顿商学院教授伊桑·莫利克（Ethan Mollick）试出了一个很不寻常的城市。他要求模型生成一座由机器人和马居住的新哥特式粗野主义城市，称它约一分钟就创建了出来。随后，他又往里面加龙，再加一只友好的水獭NPC，整个过程都在实时进行。
图：莫利克分享的个人体验
他的另一段尝试更荒诞。他用《毁灭战士》（DOOM）的元素改造办公室：电脑在播放《DOOM》，墙壁也在播放，随后又要求一位“恶魔同事”出现，给自己发奖金。他一句接一句地提要求，眼前的办公室也跟着变。
用户不必提前写好一整套剧本。先生成一个地方，进去转一圈，再决定下一步让谁登场、发生什么，想法可以边逛边补。
谷歌还展示了一个由彩色玻璃构成的世界。山脉像层叠的玻璃板，河流是半透明的蓝色，花朵也带着玻璃雕塑般的棱角。提示词要求镜头在其中穿行时，所有物体都保持玻璃或晶体材质，不能突然混进普通石头和真实植物。
图：官方演示节选；GIF不含声音
镜头移动起来，维持画风就比生成一张图片多了些要求。新的景物会进入视野，用户还可能临时加进一个角色。模型得接着生成，又不能让玻璃世界走着走着变回普通山水。
莫利克也没有把体验说成完美无缺。能不断加东西，让探索变得有趣；但加进来的东西能不能一直留在那里、行为是否合理，还得继续看。
03玩得下去，还得看它会不会忘掉刚才的场景
谷歌CEO桑达尔·皮查伊（Sundar Pichai）在发布帖中，把Genie 4称为谷歌迄今最逼真、互动性最强的世界模型，强调了原生音频、可说话的人物，以及通过Gemini推理组织多步骤事件的能力。
图：皮查伊介绍Genie 4
公司对外公布的限制也不少。
据TechCrunch报道，目前单次模拟约两分钟，但这不代表其中所有物体和细节都能稳定保持两分钟。
谷歌在技术介绍中承认，随着用户探索、连续修改场景，画面细节和物体的持续存在都可能出现偏差。复杂物理交互、声音的准确度、画面里的文字、空间位置，以及更长时间的一致性，仍是研究中的问题。
真玩起来，一个检查办法就是转回头看看：刚才路过的建筑还在不在？放在桌上的东西有没有消失？玩家要继续往下探索，模型就得记住前面生成过什么。
社交媒体上的讨论也开始盯着细节。账号@cfenghub整理的评论中，有人质疑摩托车演示里的车把动作：画面虽然像在骑车，转向是否符合真实摩托车高速行驶时的操作，却未必经得住推敲。
仅凭网友对这段演示的质疑，还不能判断整个模型的物理能力。不过，车辆怎么转弯、物体怎么碰撞、声音何时响起，确实都得逐项看，画面逼真并不能代替这些检验。
今年1月开放的Project Genie原型，每次生成最多60秒。不过，Genie 3模型在2025年发布时，就已展示过持续数分钟的交互。产品开放时设置的时长，与模型能让场景稳定保持多久，并不是同一个指标。
对暂时还不能上手的普通用户，更有用的观察是：测试者能否连续完成自己想做的事，中途改几次要求后，原来的场景还能保留多少。单次体验时间变长，只有和这些表现放在一起，才容易判断进步到底有多大。
04 Gemini安排下一步，Genie生成接下来的世界
要让场景跟着用户的要求变化，谷歌还引入了Gemini。
在实时交互演示中，Gemini会观察当前画面，理解用户想做什么，安排后续步骤，再检查场景是否按计划推进。用户改了要求，或者画面出现新情况，它也要相应调整。
湖上萨克斯的演示就给出了一个直观例子。用户要求加入鲸鱼尾巴，右上角的推理说明不仅记录了新增物体，还写到水花和原有胶片质感。后续生成需要同时顾及这些条件，不能只把鲸鱼塞进画面就算完成。
按谷歌介绍，Gemini 3.8 Flash负责计划、检查和调整，Genie 4负责生成可探索的环境。谷歌将这类分工称为“混合世界模型”。
其中，涉及人物外貌和行为的研究还结合了Gemini Omni的能力。用户看到的是一段连续体验，背后却不只一个模型在工作。
谷歌还做了另一项机器人模拟实验，使用Gemini 4 Argon、Genie 4和Gemini Robotics，让Apptronik的Apollo人形机器人在虚拟场景里下跳棋。
图：左侧为Gemini 4 Argon的步骤说明，右侧为Genie 4生成的机器人模拟画面
图里的步骤写得很细：机器人面对怎样的棋盘，哪只手伸向哪枚棋子，另一只手放在哪里，都有对应描述。Genie 4再生成这些动作发生时的场景，让研究人员观察计划如何在模拟中展开。
这里展示的是机器人行动的模拟，不是实体Apollo已经通过Genie 4训练、掌握了下棋能力。Argon参与的这项研究，也不能和前面由Flash引导的实时体验混成同一个配置。
机器人领域账号@TheHumanoidHub看重的，正是这类环境可以不断变化。现实里，搭建不同场地、准备物体、让机器人反复试动作，都要付出时间和成本。若能在虚拟环境里先尝试不同安排，研究人员就有机会更快地发现问题、筛选方案。
机器人最后还是要在现实里伸手拿东西。模拟中的棋子怎样受力、手指碰到桌面会怎样，都会影响这些尝试有没有用。前面提到的物理交互和空间精度问题，在这里便不只是影响观感，还关系到模拟结果能否作为后续工作的依据。
05完整游戏还早，拍电影可以先拿它试镜头
相比让机器人在现实中完成动作，拍摄预演对模拟的要求有所不同。电影创作者首先想看的是，一场戏怎样拍出来更合适。
谷歌介绍，受邀测试的电影创作者正在尝试用Genie 4做拍摄预演。同一场戏可以换机位、调整光线，修改人物动作和对白，比较不同版本，而不必每次都从头生成整个场景。
这类预演不需要立刻产出最终成片。创作者先借它试镜头，再把选中的方案带回正式制作。前期讨论时，想换个角度、改句台词，都可以先在生成的场景里看看效果。
游戏开发者试的则是场景和玩法原型：先探索不同的视觉风格、材质和互动，再决定哪些值得放进游戏引擎继续开发。前面的玻璃世界，便能帮助人理解这种用途。一个设定在静态概念图里好看，进入其中移动之后是否仍然成立，可以更早看见。
还有摄影记者尝试将档案照片扩展为可探索的场景。模型补出的是照片画框之外的空间，不能把这些未被拍下的细节当成历史事实。这类用途尤其需要把原始记录与AI生成的内容分清。
世界模型对游戏业的影响，早已引起市场关注。今年1月，谷歌推出由Genie 3驱动的Project Genie原型后，Unity、Roblox和Take-Two等游戏相关公司的股价曾下跌。那是上一轮发布后的市场反应，并非这次Genie 4发布后的新行情。
投资者担心的是，生成式工具会不会改变游戏的制作成本、开发流程和内容供给。但目前这些短时模拟，还不能直接替代需要稳定规则、存档、长时间运行和多人协作的完整游戏。谷歌正在与合作伙伴研究怎样把它接入已有工作流程，尚未给出全面替代现有制作工具的方案。
想自己试试，目前还需要等待。谷歌先向少量受邀测试者开放研究预览，后续计划进入Google AI Ultra用户使用的Project Genie，并向Gemini API和Google AI Studio的早期合作伙伴提供。普通用户的具体开放日期尚未公布。
