← 返回 Siami 首頁

Google DeepMind 推出 Genie 4 世界模型:原生音訊、即時對話、文字改寫場景,但官方頁面一個規格數字都沒給

▲ 696 💬 421
Google DeepMind 推出 Genie 4 世界模型:原生音訊、即時對話、文字改寫場景,但官方頁面一個規格數字都沒給

編按:本文綜合整理自 Google DeepMind 官方部落格〈Genie 4: A new generation of world simulation〉、Genie 官方模型頁、Google 官方部落格〈We’re announcing Genie 4〉、Ars Technica:DeepMind unveils Genie 4 world model promising more realistic physics and humans、The Verge:Google’s next Genie AI model generates more realistic experiences、The Decoder:Google Deepmind’s Genie 4 puts a modern spin on agent designs that predate LLMs、Sansser:Google’s Genie 4 builds worlds that talk back. Its own fine print still says ‘a few minutes’、AlphaSignal:Google DeepMind’s Genie 4 Builds Interactive Worlds With a Gemini Planner、Google AI 官方 X 貼文、AMD 官方新聞稿:AMD to Acquire World Labs、Reuters:AMD to buy Fei-Fei Li’s World Labs in $8.2bn bet、Tencent Hunyuan HY-World 2.0 開放權重仓库、Hacker News 討論串(696 分、421 則回覆),並加入 Siami 編輯部觀點與分析。

2026 年 10 月 27 日,Google DeepMind 發表 Genie 4,官方的說法很直接:「我們最具真實感、也最具互動性的世界模型。」

這不是一段預錄影片,也不是用完就丟的生成結果。使用者用鍵盤在場景裡移動、用一句話改寫正在發生的事情,而每一幀都是即時生成的。Google 把它歸在「世界模型(world model)」這個類目下——DeepMind 的說法是,理解並模擬世界是打造 AGI 的關鍵一環,Genie 4 讓這件事往前推進了一大步。

但這次發布最耐人尋味的地方,不在示範影片有多漂亮,而在官方頁面上同時擺出的那份限制清單,以及全篇缺席的規格數字。


Genie 4 到底發布了什麼

先把技術結構講清楚。Genie 4 不是一個獨立運作的黑盒子,它是建構在 Gemini 家族之上的組合體。官方模型頁寫得很具體:

「Genini Omni 將模擬錨定在真實世界的外觀與行為上,其他 Gemini 模型則提供維持模擬連貫性與一致性所需的複雜推理。」

Ars Technica 與 The Verge 兩家都報導,負責「導演」工作的具體模型是 Gemini 3.8 Flash。The Decoder 的描述更直白——DeepMind 說 Gemini 3.8 Flash「持續觀察場景、把目標拆解成一連串步驟、並檢視傳入的影格」,藉此確認每一步是否真的發生。

這裡有一個容易被忽略的結構性事實:Genie 4 並不是靠單一模型硬扛的。 一個負責畫面與物理的生成模型,加上一個負責規劃與連貫性的推理模型,兩者搭配運作。Google 在官方貼文裡說這是「混合式世界模型(hybrid world models)」的早期一步——Gemini 在幕後負責描繪結構與規劃敘事時間軸,Genie 負責逐像素生成眼前的物理現實。

Google AI 官方帳號的說法更口語化,把 Gemini 稱為模擬的「大腦」:

「它在背後把請求轉譯成動作、規劃複雜事件、觀察場景展開以追蹤發生了什麼,並在你改變故事時持續調整。」

發布形式也說明了一件事:Genie 4 不是即時開放的。目前只有「受信任測試者」可以用,之後會陸續給 Google AI Ultra 訂閱者(在 Project Genie 裡)、以及 Gemini API 與 Google AI Studio 的早期合作夥伴。官方另外開了候補名單。Ars Technica 對價格的評語只有一句:「It won’t be cheap.」


四項能力,逐條拆

官方把這次更新歸成四項。每一項都附了一段用鍵盤與文字即時操作的錄影。

第一項:即時用文字塑形世界。 改天氣、移鏡頭、加新的人或新的物件,Gemini 會把這句話「情境化改寫」成符合當下場景的版本,並在兩次輸入之間持續監看與導演,讓世界合理地往下走。官方強調這跟把指令「貼上去」不同。

第二項:物理與人體動作的真實度。 空氣動力學、碰撞等真實物理情境,以及「會自然移動、對環境做出有機反應、可以被即時操控」的角色。這是官方說的「最戲劇性的躍升」。

第三項:原生音訊。 這是 Genie 系列第一次讓音訊與畫面同時生成——環境音(風聲、水聲)、背景音樂,以及會即時對話的角色。Google 官方特別強調「會即時調整的互動對話」。

第四項:與 Gemini 4 Argon 及 Gemini Robotics 打通。 官方示範中,Gemini 4 Argon 把一項任務拆解成步驟,以文字字幕的形式即時餵給 Genie 4 渲染,讓模擬過程可以隨著任務進行而調整。示範內容是 Apptronik 的 Apollo 人形機器人下西洋棋——全程沒有真實機器人參與。

官方模型頁把這項能力描述為「機器人模擬的無限遊樂場」。


為什麼這件事重要

第一,這是「合成訓練資料」這條路線第一次拿到明確的官方背書。 Hacker News 網友 alphabetting 的觀察相當精準:「可玩的部分是很好的公關,但真正的消息是,具身 AI 模型的無限合成訓練資料基本上已經到位,或即將到位。」Google 自己的說法是這能「為機器人與代理打造安全、可無限變化的訓練環境」。如果這條路走通,物理世界AI的訓練成本結構會被徹底改寫——過去要實際架設、收集、清洗真實資料,未來可能只要描述世界,讓模型生成無限量的情境變體。

第二,世界模型正在從「研究玩具」變成產業競標的正式賽道。 就在 Genie 4 發布前一個月,AMD 宣布以 82 億美元全股票交易收購李飛飛的 World Labs,Fei-Fei Li 將出任 AMD 首席科學家(AMD 官方新聞稿、Reuters)。這條線上不只 Google 一家:騰訊的 HY-World 2.0 已開放權重(GitHub 仓库),Runway 在 9 月推出帶即時音訊的 GWM Worlds 2,ByteDance 被報導正在打造 Seedance 世界模型。Hacker News 網友 inshard 把這層產業企圖講得很清楚:AMD 買 World Labs 是為了超越 Nvidia,而 Google 大概把 Genie 當成通往自動駕駛與人形機器人新平台的入口——「誰擁有模擬器,誰就擁有機器人訓練。」

第三,音訊的加入讓世界模型從「可看」變成「可聽」。 這件事的重要性不在 demo 好不好看。環境音與對話同步生成,代表模型內部必須維持聲音與場景的一致性——這是走向「可訓練、可評估」的必要條件。The Decoder 的判斷是對的:內建音訊把一段無聲片段變成 AI 可以聆聽的東西,而這對訓練 AI 有意義,不只是拿來展示。

第四,這是 2026 年生成式影像從「模型競賽」轉向「系統競賽」的典型樣本。 真正厲害的地方不在畫質,而在 Genie 4 同時跑著一個生成模型和一個推理模型,並讓推理模型在生成過程中持續介入。把 LLM 從「旁邊的工具」變成「即時導演」,這是架構層面的變化。


數據解讀:「兩分鐘」這個數字的三個版本

這次發布最值得單獨拆開來講的,是會話長度這個數字怎麼來的。

外界流傳最廣的版本是「約兩分鐘」與「是前代的兩倍」。The Verge 寫的是「能生成約兩分鐘長的體驗,較前代 Genie 3 的一分鐘有所提升」;TechCrunch 寫的是「最長兩分鐘,是前代限制的兩倍」。

但這兩個數字,Google 官方的頁面上都沒有。

Google 在 Genie 4 模型頁的限制區塊寫的是:

「The model can support a few minutes of continuous interaction, rather than extended sessions.」

再回頭看 2025 年 8 月 Genie 3 的部落格,當時寫的是「at 24 frames per second, retaining consistency for a few minutes at a resolution of 720p」。十四個月過去,Google 對時長的描述幾乎一字未動。

那「一分鐘」是從哪來的?Sansser 的考證值得完整引用:Genie 3 的部落格本來就承諾「a few minutes」,不是一分鐘。大家實際遇到的那一分鐘限制,是 Project Genie 這個 App 的計時器——2026 年 1 月 Google 開放給付費使用者時,官方說明頁寫的就是「You have 60 seconds to explore the generated world」。DeepMind 研究總監 Shlomi Fruchter 當時對 TechCrunch 說得很清楚:

「我們限制在 60 秒,是因為我們想把這個東西帶給更多使用者。基本上你在用的時候,有一顆晶片是專屬於你的,被分配給你的 session。」

所以「時間翻倍」這個說法,是拿一個 App 的計時器去對比一個模型的能力宣稱。 兩者不是同一個量。Fruchter 說的那顆「專屬晶片」是關鍵——限制的本質是每位使用者的運算成本,不是科學上限。而 Genie 4 還多了要在每一幀旁邊並行跑推理模型的額外負擔。

這一條同時解釋了另一個問題:為什麼官方這次一個規格數字都不給。Sansser 的對比很殘忍但很準確——Genie 3 發布時,Google 給了 720p、24 fps;Genie 4 沒有解析度、沒有影格率、沒有延遲數字、沒有訓練資料、沒有 model card、沒有價格。 相較之下,规模小得多的 Runway 在 9 月推出 GWM Worlds 2 時還公開了「連續 720p、24 fps、音訊 48,000 Hz」,並說明 session「沒有預設長度」。

Sansser 還指出官方模型頁最下方有一行小字:

「Results for illustrative purposes. Sequences shortened.」

也就是說,示範片段是經過剪輯的。這在同行的展示裡並不罕見,但它確實意味著觀眾看到的每一支示範,都不是完整長度。


質疑:官方自己列出的那些限制

DeepMind 在模型頁的「Limitations」區塊裡寫得相當坦白,整理如下:

  • 視覺細節與物件永久性會漂移——模擬跑得越久、經歷越多次複雜 prompt 修改、或在場景中移動時,越明顯。
  • 多代理之間的互動與模擬——「準確建模使用者之間、多個獨立代理之間、以及共享環境之間的複雜互動,仍是持續研究中的挑戰。」
  • 真實地點的呈現——「Genie 4 目前無法完美模擬真實世界的地點。」
  • 文字渲染——「清晰可讀的文字,通常只有在輸入的世界描述中才會被生成。」
  • 互動時長——如前述,僅支援「幾分鐘」。
  • 即時音訊準確度——「仍在持續研究與改進的領域。」

官方自己寫的這些,HN 上的網友也一一驗證過,而且驗證結果並不樂觀。

物理示範有一個被抓包的錯誤。 官方一支示範是把大理石胸像丟到西瓜上。HN 網友 mlmonkey 指出:「那個胸像如果物理建模正確,早就該翻了過去。」Sansser 則在 Ars Technica 論壇找到另一則獨立觀察:「它傾斜超過自己的重力中心,要怎麼像不倒翁一樣自己回正?」物理是這次主打的賣點,而一支精心挑選的示範片段裡,普通觀眾就能看出物理錯誤。 這支影片傳達的訊息因此比它想傳達的更多。

一致性只在「留在畫框裡」的東西上成立。 網友 inkcapmushroom 逐支檢視後發現:龍那一段多出一座城堡;月台那一段,走離鏡頭的人會變;香港機車騎士本來沒戴安全帽,之後卻戴上了。結論是:「它對留在畫框裡的東西確實很擅長維持一致。」

連按鍵控制本身都被質疑。 網友 sodacanner 說:「Genie 4 在玩家操控上幾乎看起來比 Genie 3 還差?它甚至好像完全沒有反應輸入,看起來就像他們拿一些 AI 生成的影片,然後在上面蓋了幾個按鍵圖示。」網友 tempfile 對那組 WASD/方向鍵的抱怨更直接:「它跟角色或鏡頭的移動完全沒有關係,只是在閃。」

最尖銳的問題來自網友 TheAceOfHearts: 「我想看它怎麼壞掉。別把全部篇幅都花在展示它用特別挑選的鏡頭看起來有多漂亮……尤其既然他們一直在談安全性與負責任使用,展示幾個崩壞的案例來讓大家學會辨認,看起來非常合理。」

還有一個更根本的定義之爭。網友 jackb4040 認為 Google 對「世界模型」的重新定義——基本上就是給 LLM 的 text-to-video-game 模態——「除了試圖掩蓋 Yann LeCun 對世界模型的定義以外的任何東西」,因為後者的定義本身就隱含了對 LLM 的反面論證。這不是無聊的抬槓:AI 的下一個戰場到底該叫什麼,決定了誰的技術路線被視為正统。


網路上吵翻了什麼

這支 HN 討論串累積了 696 分、421 則回覆,是近幾天密度極高的 AI 討論串之一。

最尖銳的批評來自網友 bahmboo,他抱怨整個討論串缺乏技術內容:

「我們正在打造文明層級的工具,而我看到最『技術』的批評是說那篇宣布文章是用 LLM 寫的(並不是),或是說一隻騎著獨角獸衝進金星雲端的食人魔少了一隻爪子(搞什麼)。」

最務實的商業推論來自網友 rvz:世界模型最終會讓 AAA 遊戲不需要釋出本體,只在雲端模擬後串流回來——「Stadia 加世界模型,等於是新一代的遊戲 DRM。」

最值得記錄的是騰訊那條線。 網友 SXX 說:「真意外,騰訊 HY-World 2.0 這個開放權重世界模型居然沒得到多少關注。」這個觀察背後是一個真實的落差:Google 這次連參數量都不公布,而騰訊那一側是完整開放權重的。 世界模型領域的「開源/閉源」分界,跟其他 AI 領域並不同步。

還有幾個網友注意到了音訊的實際品質。 網友 recursive 指出官方示範裡 prompt 要求薩克斯風、實際發出來的卻像豎笛:「也許 Genie 5 會做到。」網友 gcanyon 針對官方文案裡的「audio-like music」挑字眼:「那是個連字號。什麼叫『類音樂的音訊』——是幾乎像聲音但又不完全是的音樂?還是用原始音訊做出來的音樂?」DeepMind 官方 X 帳號在發文時提到有多達 1,671 個讚,但技術社群對這些音訊細節的檢驗才剛開始。

最後是那個最令人不安的應用。 官方貼文的測試者案例裡有一條寫著:「攝影記者正在探索如何讓一張 2D 的檔案照片在幾秒內變成該環境的具象模擬。」把一張真實歷史照片變成可以走進去、可以聽見聲音的場景——而官方同時承認「無法完美模擬真實世界的地點」。這兩句話擺在一起,就是合成媒體風險的完整公式。

Sansser 還補了一個背景:據 Semafor 報導,Demis Hassabis 曾表示 Google Maps 已經開始使用 Genie 世界模型來改進街景。這意味著 Genie 已經在影響數十億人信任的「實景紀錄」產品。 官方目前的防線是 SynthID——所有 Genie 4 生成的影音都會帶上不可見浮水印。但正如 Sansser 指出的,浮水印只有在「有人真的去跑檢測器」時才有用,而沒有人會去檢測一段在家族 WhatsApp 群組裡轉傳的影片。


接下來會發生什麼

短期(一到兩個月),值得追蹤的具體事件有三個:

  1. 首批使用者實測報告。 目前所有正面評價都來自 Google 自己選的測試者,以及科技媒體看示範影片。真正上手使用者的回饋——特別是關於操控延遲、session 實際長度、以及「幾分鐘」到底是兩分鐘還是兩秒鐘——會是第一批有價值的獨立資訊。
  2. 價格公布。 Ars Technica 說「不會便宜」,Sansser 說 AI Ultra 在美國起跳價是每個月 99.99 美元、印度是 6,500 盧比。實際成本結構,會決定世界模型對開發者是「新工具」還是「只有大公司玩得起」——這也直接回答網友 HughParry 的問題:「有沒有我不用參加特殊計畫、每月 200 英鎊以下就能試的?」
  3. 官方是否補上規格表。 解析度、影格率、延遲、參數量、訓練資料、價格。Sansser 對 Google 的呼籲很直接:Runway 公布了,Google 上一代也公布了,這次沒有理由不公布。

中期(一到兩年),真正決定成敗的是混合式世界模型能不能走通。 官方自己的說法是:Gemini 在幕後規劃結構與敘事時間軸,Genie 逐像素生成眼前的物理現實,兩者結合才能產出「比單獨任何一條路徑都更連貫、更可控、更扎實」的世界模型。如果這條路走不通,Genie 就只是一個昂貴的 demo;如果走通,世界模型會成為 AI 的作業系統層。

而在這條路上,開放權重的那一側值得多看一眼。 騰訊 HY-World 2.0、Runway 的 GWM Worlds 2、加上各種開源世界模型專案,正在把這個領域的另一半直接交到開發者手上。當 Google 連參數量都不公布時,那種落差本身就是一則新聞。


延伸閱讀

網友熱門留言 (9)

#1 Hacker News 網友 rvz 0
我以前就說過,世界模型終究會變成 AAA 遊戲的模擬引擎——根本不需要釋出遊戲本體,就算遊戲存在於二進位檔形式,也永遠不會釋出,只會放在他們的雲端後端模擬後串流回來。所以 Stadia 加世界模型,等於是新一代的遊戲 DRM。
#2 Hacker News 網友 sodacanner 0
不知道是不是我沒看懂,但 Genie 4 在玩家操控上幾乎看起來比 Genie 3 還差?它甚至好像完全沒有反應輸入,看起來就像他們拿一些 AI 生成的影片,然後在上面蓋了幾個按鍵圖示。
#3 Hacker News 網友 jackb4040 0
我實在很難把 Google 對「世界模型」的重新定義(基本上就是給 LLM 的 text-to-video-game 模態)理解成除了試圖掩蓋 Yann LeCun 對「世界模型」的定義以外的任何東西——後者的定義本身就隱含了對 LLM 的反面論證,而那正好對應到 Google 的股價。
#4 Hacker News 網友 inshard 0
所以世界模型是捕捉物理現實的內在複雜度,藉此教 AI 那些隱藏的法則,這大概有助於訓練 LLM 跟多模態模型,供自動駕駛與機器人使用?而 AMD 收購 World Labs 是要在這一塊超越 Nvidia?Google 大概則是把這看成通往自動駕駛與人形機器人新平台的入口,可以像 CSP 一樣出租出去,跟 Nvidia、Tesla 競爭並補足 Waymo?我這樣理解對嗎?
#5 Hacker News 網友 inkcapmushroom 0
好幾個示範裡,只要某個東西離開畫面再回來,細節就會改變。龍的那一段多出一座城堡;月台的段落裡,走離鏡頭的人會變;香港機車騎士本來沒戴安全帽,之後卻戴上了。它對「留在畫框裡」的東西確實很擅長維持一致,但我不確定這是否真的支持他們宣稱的「世界模擬」在發展。
#6 Hacker News 網友 mlmonkey 0
在 marble bust 掉到西瓜上的那支片段裡,都已經到這個程度了——那個胸像如果物理建模正確,早就該翻了過去。
#7 Hacker News 網友 SXX 0
真意外,騰訊 HY-World 2.0 這個開放權重世界模型居然沒得到多少關注。
#8 Hacker News 網友 TheAceOfHearts 0
我想看它怎麼壞掉。別把全部篇幅都花在展示它用特別挑選的鏡頭看起來有多漂亮。至少該給幾個跑太久之後會出錯的例子。他們在「了解目前的限制」裡確實提到會失效,卻一個例子都沒show;尤其既然他們一直在談安全性與負責任使用,展示幾個崩壞的案例來讓大家學會辨認,看起來非常合理。
#9 Hacker News 網友 bahmboo 0
我又一次對這些討論串裡關於 AI 的論述感到失望。它幾乎從來不聚焦在任何稍微技術性的東西上。大家只是把自己的議程和意見拿出來走一遍(我現在做的事也一樣)。我們正在打造文明層級的工具,而我看到最「技術」的批評是說那篇宣布文章是用 LLM 寫的(並不是),或是說一隻騎著獨角獸衝進金星雲端的食人魔少了一隻爪子(搞什麼)。是的,這裡不歡迎後設討論,但我們這個社群為什麼要容忍這種程度的後設噪音?我猜我應該去適應新社群,但裡面什麼都沒有。我還是會留在那些比較技術的貼文,並避開任何跟新 AI 模型相關、以及那些評論者令人震驚的無思維發言有關的內容。