发生了什么
10 月 27 日，谷歌 DeepMind 发布 Genie 4，定位是「新一代世界模拟」。与前代最大的差别在于它原生多模态：画面、环境声、音乐与角色对话在同一时刻生成，而不是先出画面再配音。官方给出的四条能力线是更逼真的静态质感、实时自然语言操控、原生音频，以及与 Gemini 家族的深度耦合。
- 实时操控：用户可以按键盘在场景中行走与转视角，同时用文字改变天气、移动镜头、加入新人物或物体；Gemini 会把提示改写成与当前场景匹配的表述，并在两次输入之间持续观察、维持世界连贯推进。
- 原生音频：环境音按场景自动匹配，官方举例是树间风声与拍岸浪声；角色之间可以对话并对场景中发生的事件作出反应。
- 物理与人物：官方称模型具备空气动力、碰撞等物理场景的模拟能力，并称本轮最大的跨越是人物——动作更自然、表情与语音更接近真人。
- 架构：Gemini Omni 负责把模拟锚定在真实世界的外观与行为上，Gemini 3.8 Flash 充当回路中的引导代理，观察画面、把目标拆成步骤、逐帧校验进度。
为什么重要
世界模型的价值不在「生成好看的视频」，而在能否当作可反复试错的训练场。对企业而言，最直接的落点是机器人与智能体：先在模拟中跑通再上真机，可以显著压低试错成本。官方演示里已有具身案例——Gemini 4 Argon 与 Genie 4 配合，把「和 Apptronik 的 Apollo 人形机器人下一盘跳棋」拆成实时步骤并渲染出来。
另一条线是内容工业。DeepMind 工程师在吹风会上提到，实时性最值钱的环节是构思与故事板——需要保持创作心流、快速出概念的时刻；影视预演、游戏原型、互动教学都被列为目标场景。这也解释了谷歌为何把 Genie 放在 Project Genie 订阅体系里推，而不是只做研究展示。
不确定之处
官方在博客中明确列出当前局限：模拟时间变长、多次复杂改动或大幅移动视角之后，视觉细节与物体恒存性会漂移；复杂物理交互、实时音频的准确性、画面内可读文字、空间精度与长时一致性都还在研究中。所有产出都会嵌入 SynthID 水印，覆盖视频与音频两种模态。
开放节奏是研究预览，先给受信测试者，随后才轮到 Google AI Ultra 订阅用户与 Gemini API、AI Studio 的早期合作方，候补名单已开放。至于「单段场景可维持约两分钟、为 Genie 3 两倍」这一数字，来自媒体吹风会的转述，官方博客正文未列出该指标，宜按未在文档中确认的口径看待。