Google DeepMind 發表 Genie 4 互動式即時世界模型

Google DeepMind 推出了 Genie 4，這是繼 2025 年 8 月展示的 Genie 3 世界模型之後的最新力作。與輸出完整檔案的傳統影片生成器不同，Genie 4 能即時逐影格（frame by frame）計算場景，並針對使用者透過鍵盤控制與文字提示輸入的指令做出連續反應。

這是 DeepMind 的即時世界模型首次原生生成同步背景音效（例如穿過樹林的風聲）以及具備反應能力的角色對話。模擬環境中的角色被設計成能彼此交談、對環境變化做出反應、自然地移動，並可由使用者直接操控。

由背景 Gemini 模型驅動

Genie 4 基於 DeepMind 影片模型 Gemini Omni 的能力，實現了逼真的視覺效果與行為。為了在場景變換時維持環境的一致性，底層的 Gemini 模型會在背景管理事件規劃。如果使用者輸入更改天氣的提示詞，Gemini 會調整指令，使其與運行中的環境無縫銜接。

在多步驟場景中，Gemini 3.8 Flash 會持續監控視覺饋送，將目標分解為個別步驟，並利用新影格驗證每項動作是否成功；若情況發生變化，則會修正其計畫。

DeepMind 也將 Genie 4 與其機器人專案 Gemini Robotics 結合，並使用 Gemini 4 Argon。在一次展示中，Argon 將西洋跳棋比賽分解為逐步指令。接著，Genie 4 根據這些指令模擬了 Apptronik 的人形機器人 Apollo 下西洋跳棋的過程，整個過程都在虛擬環境中進行，無需實體機器人。

目前的限制與存取計畫

DeepMind 強調，Genie 4 目前仍處於實驗性的研究預覽階段。雖然該模型在簡短的互動中能維持結構連貫性，但在長時間執行或多次修改提示詞後，視覺細節可能會發生偏移，且持續存在的物件可能會消失。關於準確的即時音效、複雜的物理特性以及渲染可讀文字的研究仍在進行中。

所有由 Genie 4 產出的媒體內容都將包含 Google 的隱形浮水印 SynthID，以標記該內容為人工智慧生成。

目前，Genie 4 僅限於特定的測試人員存取。DeepMind 計畫近期透過 Project Genie 網頁應用程式，向 Google AI Ultra 訂閱者推出該模型，並提供給擁有 Gemini API 與 Google AI Studio 早期存取權限的合作夥伴。長遠來看，DeepMind 的願景是開發結合語言與程式碼推理以及像素級模擬的混合世界模型，將其作為 AI 代理人（agents）與實體機器人的關鍵訓練場。