这篇文章想聊的，是一个正在被验证的趋势。当地时间10月27日，谷歌DeepMind扔出了新一代世界模型Genie 4。这次不只是画面更真，它还能边演边出声，被称为迄今最逼真、最具互动性的世界模型。
Genie 4相比前代升级了哪些硬指标？
Genie 4把场景保持一致性的时长从前代的几十秒拉长到约两分钟，画面真实感、物理模拟和人物动作自然度都有明显提升。用户可以用自然语言实时改动场景：变天气、移镜头、加人物加物体，Gemini会结合上下文自动调整提示词，让这个虚拟世界连贯地向前演化，而不是一段一段地重新生成。一个更直白的信号是：愿意为 Genie 4 付钱的人正在变多。
原生音频生成解决了什么老问题？
真正的代际变化是音频：Genie 4是谷歌首个能原生生成音频的实时世界模型，场景推进的同时同步吐出音乐、环境音和人物对话。人物不再是提线木偶式的预设动作，而是能根据用户输入和场景里发生的事件实时交谈、即时回应。这让它从「可看的Demo」往「可玩的仿真环境」迈出了关键一步。值得注意的是，这类变化往往比想象中来得更快。
它为什么被看作物理AI的前哨？
谷歌在发布中明确点了两个用途方向：机器人训练和物理AI。一个能持续两分钟、带声音、可交互的仿真世界，等于给具身智能提供了不烧真金白银的训练场。视频生成公司和机器人公司的技术栈，正在这个模型上正式碰头。换个角度想，这正是 Genie 4 从概念走向日常的证明。
两分钟一致性加原生音频，Genie 4把世界模型从屏保变成了训练场，物理AI的军备开始上强度。
去论坛讨论
前往 silicon-agi.com 论坛 参与讨论
💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com
