美东时间10月27日，谷歌DeepMind发布Genie系列第四代产品，官方称其为"迄今为止最逼真、交互性最强的世界模型"。热榜词条里说的"实时导演"，指的正是它带来的新交互形态：世界在你走进去之前并不存在，它跟着你的操作一帧一帧地被算出来；你输入一句话要下雪，场景里就下雪，再输入一句加一个角色，它真的会开口跟你说话。你不是隔着屏幕看一段AI成品视频，而是像片场导演一样，在"戏"正在演的时候实时改天气、加角色、调机位。机器之心
理解这个说法，先要分清两类AI。Veo、Sora这类视频生成模型是"交片"：拿到提示词后一次生成一整段视频，过程中用户无法插手。Genie 4要解决的则是另一个问题：生成一个能持续运转、还能响应干预的环境。用户创建出可探索的虚拟世界后，可以用键盘操控游历，也可以在世界正在展开的过程中随时下指令。知乎未来图灵
更关键的变化在幕后：这次谷歌把Gemini更深地放进了生成循环。谷歌把这一方向称为"混合世界模型"，外媒的比喻更直白：Gemini当导演、Genie出画面。也就是说，“实时导演"是双向的——你在体验世界里喊"戏”，Gemini在系统内部把目标拆成一步步的场景指令并跟踪事件进展，Genie负责把画面和声音实时渲染出来。机器之心知乎
相比Genie 3，这次变在哪
与Genie 3相隔约14个月后，Genie 4有四处实质变化。第一是声音：它是该系列首款同步生成声音和画面的产品，环境声、音乐、能对用户行为作出反应的对话都跟画面在同一次生成里出来。官方演示里，用户骑着巨龙掠过山谷，耳边是振翅声和呼啸的风声。第二是时长：新模型将最长模拟时长提升至约2分钟，是前代Genie 3的约两倍。需要注意口径：这个两分钟出自TechCrunch与Genie 3生成上限的对比，谷歌模型页自己的表述是"支持数分钟的连续交互"，官方博客未给出具体秒数。未来图灵华尔街见闻知乎
第三是控制的层次。谷歌展示了Gemini与Genie 4配合的机器人模拟实验。规划模型把要求拆到极细——第一人称视角、哪根手指放哪，连伺服电机的嗡嗡声都写进指令，Genie 4实时生成对应场景。值得注意的是，实时体验未必由旗舰模型驱动：据报道，谷歌团队曾尝试Gemini 4 Argon，但实际运行在更轻量的Gemini 3.8 Flash上。第四是物理与人物表现，新模型可模拟物体碰撞、水流、树随风摆，角色更接近真人。机器之心华尔街见闻
这个世界还撑不久
能"喊戏"，不代表世界已经可靠。谷歌自己承认，随着模拟持续推进，画面细节和物体仍可能发生漂移，复杂物理互动、可读文字以及长时间维持环境一致性等问题仍有待解决。说得直白些：东西一出画，再回来看可能就变了；运行越久、改的提示越多、走得越远，漂移越明显。DeepMind这次也没有发论文，博客和模型页里没有任何跑分数字。华尔街见闻知乎
海外社区因此出现两种典型质疑：据机器之心编译的讨论，有网友指出部分演示中键盘方向控制似乎不如Genie 3时代直接，也有人认为角色语音仍像老式文本转语音。DeepMind研究总监Tejas Kulkarni给的热度管理更直接：要让虚拟世界完全保持一致，即使仅维持两分钟，也需要模型真正理解日常世界的物理规律。还要提醒一句：生成画面"看起来像"物理正确，不等于力学正确——Genie 4没有显式物理引擎，用它预演高层任务规划可行，用它替代专业仿真器训练机器人底层控制，目前还没有证据。机器之心未来图灵
谁能用上，离改变行业还有多远
开放是分层的：Genie 4已向部分受信任的测试者开放研究预览，未来将通过Project Genie向Google AI Ultra用户提供，并向Gemini API、Google AI Studio的早期合作伙伴开放。谷歌同时强调，所有生成的音频和视频都将嵌入SynthID水印。机器之心华尔街见闻
对游戏行业，这次发布大概率会重燃类似讨论——今年1月Genie 3驱动的Project Genie原型上线时，曾令游戏股大幅下跌，投资者开始评估AI工具是否会颠覆游戏制作方式。但商业游戏需要的稳定规则系统、可重复机制和可长期维护的内容，实时生成的世界模型暂时给不了。DeepMind产品经理Diego Rivas的说法留了余地。接下来值得盯三个信号：Ultra订阅用户上手后，世界还能不能撑过演示的剪辑感；Gemini API早期访问放开后，开发者会拿"可交互环境"构建什么；以及一致性、物理精度这些短板，何时从"看起来对"走到"用起来对"。未来图灵华尔街见闻
