Google DeepMind 正式發布 Genie 4,一個以自然語言即時操控、可生成原生音訊的互動 3D 世界模型。官方表示,Genie 4 將先向少量受信任測試者開放,之後陸續登陸 Project Genie、Google AI Ultra 訂戶,以及 Gemini API 與 AI Studio 的早期合作夥伴。
由自然語言即時改變場景
Genie 4 的操作方式,是先由文字描述建立世界,再於模擬進行期間即時改變內容。Google 官方列出的例子包括移動鏡頭、改變天氣及加入新角色;系統會即時生成相應畫面。官方形容每個世界均可同時產生環境聲、音樂及互動對話,讓聲音成為模擬的一部分,而毋須事後配製。
模型同時結合 Gemini 系列能力。Google 表示,Gemini Omni 負責把模擬錨定到現實外觀與行為,其他 Gemini 模型則提供維持場景連貫與連續性所需的複雜推理。獨立報道補充,Gemini 3.8 Flash 會扮演規劃與檢查角色,而 Genie 4 負責逐幀生成畫面。
世界模型可望成為 AI 代理訓練環境
Google 把互動世界模型定位為通往 AGI 的重要一步:模型可以按要求建立持續變化的環境,而不必先寫程式及預先渲染每一個互動元素。DeepMind 認為,這類能力除支援電影、新聞、遊戲及製造等創意產業,亦可為機械人與 AI 代理提供大量安全訓練情境,降低直接在真實世界測試的風險。
仍屬研究預覽,長時間一致性有限
目前 Genie 4 仍帶有研究預覽限制。Google 及獨立報道均指出,模擬場景通常可維持約兩分鐘,較 Genie 3 約一分鐘長一倍;隨着互動持續,物件細節、場景狀態及物件恆存性仍可能漂移。TechCrunch 指出,團隊亦尚未完全解決聲音準確性,以及世界內文字是否清晰可讀的問題。
因此,Genie 4 最值得留意之處並非已經取代遊戲引擎或電影製作,而是 Google 將「可即時改寫的互動世界」與「原生生成的互動聲音」放進同一個模型。隨着早期測試逐步開放,開發者能否利用這項能力建立可靠的機器人模擬環境,將是下一步實驗重點。
資料來源
- Google:We’re announcing Genie 4
- Ars Technica:DeepMind’s Genie 4 world model adds audio and more realistic people
- TechCrunch:Google’s Genie 4 world model adds audio, more realistic worlds, and real-time steering
- The Verge:Google’s next Genie AI model generates more realistic experiences
