DeepMind 发布 Genie 4：新一代世界模拟模型

Google DeepMind 在 2026 年 10 月 27 日发布了 Genie 4，一个新一代世界模拟模型。它和上一代最大的区别不在"画面更真"，而在两件事：一是能实时交互式地生成模拟，二是首次原生生成声音。官方把它定位为研究预览，先开放给一小撮可信测试者。

这次的发布

Genie 4 是"世界模型"——用户启动一个事件，它模拟接下来发生的事：世界如何响应、如何发声、里面的人如何移动和说话。它建立在 Gemini 家族之上，Gemini Omni 负责把模拟锚定在真实世界的外观和行为里，其他 Gemini 模型提供推理能力，维持模拟的连贯性。

官方明确说，理解和模拟世界是构建 AGI 的关键方面，Genie 4 的用途一是给机器人和智能体生成训练环境，二是解锁新的交互式体验创作。

四项能力

官方把这次进步拆成四项，每项在演示里各给了三个示例：

实时塑造世界模拟。 用自然语言实时改天气、移摄像机、引入新的人物或物体。Gemini 会对提示词做上下文适配，让改动和周围场景匹配；在用户两次输入之间，Gemini 持续监控并引导场景，保持世界连贯发展。

物理与人物动作的真实感。 建立在物理理解之上，覆盖空气动力学、碰撞等真实物理现象。官方认为最大飞跃在人物模拟——角色移动自然、对环境响应有机、能被实时引导。

模拟世界的声音。 这是 DeepMind 第一个原生生成音频的实时世界模型。每个世界自带环境氛围声，从树间风声到海浪拍岸。真正的边界是人类语音：角色能实时对话，并对用户输入或世界事件做出反应。

用 Gemini 模拟复杂事件。 这是四项里技术含量最高的一项，单独展开说。

循环里的引导 Agent

复杂事件模拟的关键架构是：Gemini 3.8 Flash 担任循环中的引导 agent。当 Genie 4 实时生成世界时，Gemini 持续观察场景，把目标拆成一系列步骤，审查传入的帧来验证每一步是否成功，并在世界变化或用户干预时实时调整计划。这带来的是具备可靠因果关系、程序化行为和多步骤推理的世界。

官方还做了一个联合实验：把 Gemini 4 Argon 与 Genie 4、Gemini Robotics 打通，Argon 把用户指令拆成步骤交给 Genie 渲染，步骤以文本字幕形式交错输入。示例是模拟 Apptronik 的 Apollo 人形机器人下跳棋，任务被实时分解为步骤。这意味着世界模型开始和机器人研究接上了线。

分阶段开放

开放是分阶段的，官方给了一个明确的顺序：

可信测试者覆盖创意产业、新闻、教育、游戏和工程几个行业，官方要先用他们的反馈打磨，再开放给普通消费者和开发者。所有 Genie 4 生成的视频和音频都带 SynthID 水印。

已知局限

官方在博文里主动列了局限，这在发布稿里不多见：短期会话里能维持连贯环境，但视觉细节和物体恒存性会随时间漂移——尤其是模拟跑得久、经过多次复杂提示词编辑、或者在场景里导航的时候。复杂物理交互、实时音频准确性、渲染清晰文本、空间精度、长期一致性，这些都还是活跃的研究方向。换句话说，别指望它现在能当生产工具用，它是个早期研究系统。

对开发者的影响

短期看，Genie 4 跟大多数开发者没关系——它还没开放到 API 层面，只能等 waitlist。但有两个信号值得关注。第一，世界模型和机器人训练的打通（Argon + Genie + Gemini Robotics 那条实验）说明 DeepMind 把 Genie 当成了具身智能的训练基础设施，而不只是一个"生成视频"的产品。第二，循环里放一个引导 agent（Gemini 3.8 Flash）来维持长程连贯性，这个架构思路——用推理模型做规划、用生成模型做渲染——很可能会成为后续世界模型和 Agent 模拟环境的通用做法。真到 API 开放那天，最先受影响的是游戏、影视预可视化和仿真训练这几个领域，普通应用开发还要等相当一段时间。