上一次谷歌放出世界模型，游戏股被砸了一轮；这一次它连声音都学会了。
美东时间2026年10月27日，谷歌宣布推出新一代AI世界模型 Genie 4，由 Google DeepMind 开发，称这是其迄今最逼真、交互能力最强的世界模型。模拟时长提升到约2分钟，是前代 Genie 3 的两倍，实机画面稳定在约24帧/秒，而且是该系列首款原生同步生成音频和画面的模型。彭博社的标题写得很直白：谷歌升级了那个曾震动游戏股的AI世界模型。
一、它不再是"生成一段视频"，而是"跑一个世界"区别在哪，一句话能说清。
传统视频生成模型主要按提示词吐片段，你只能看。Genie 4 是按文本指令搭一个可探索的虚拟环境，用户用键盘控制在里面移动、调整镜头，跑的过程中还能继续输入指令实时改变场景——改天气、加人物、加物体。
谷歌CEO桑达尔·皮查伊第一时间在 X 上宣布："从生成一段视频，到实时运行一个世界。"
沃顿商学院教授伊桑·莫利克实测过：输入"一座由机器人和马匹居住的新哥特式粗野主义城市"，一分钟生成一座虚拟城市，随后实时加入巨龙和一只友善的水獭 NPC。a16z 投资人贾斯汀·摩尔演示了一段被戏称为"GTA Waymo"的城市探索。
二、声音是这次最大的变量：角色会接话，不是放录音Genie 4 生成的不只是环境声音和音乐，还有能对用户行为实时反应的角色对话。角色回应会根据对话内容和场景变化动态调整，而不是播放预录音频。
这件事的分量在于：过去实时世界模型玩不过几十秒就崩盘，因为纯像素预测缺乏长程逻辑规划，做完第一步就忘了后面的目标。Gemini 的加入为世界模拟增添了推理层面，让 Genie 4 能模拟复杂的多步骤事件，也能在把 AI 引入现实世界之前，先测试它如何在不同环境中运行。构建交互环境，从此不必全靠手工3D建模。
这条路走了三年：2024年的 Genie 1 尝试从视频中学习动作与环境变化的关系；Genie 2扩展到可探索的三维环境；2025年的Genie 3实现实时生成、实时交互；2026年1月，谷歌推出由 Genie 3 驱动的原型产品 Project Genie。
三、三个Gemini当"混合大脑"：22步指挥一台人形机器人Genie 4 背后不是单一模型，谷歌的说法是"混合世界模型"。
Gemini Omni 为模拟提供现实世界的外观与行为基础；Gemini 3.8 Flash充当实时引导智能体，也就是"导演"——持续观察生成画面、理解用户目标、拆解成多个步骤、判断每一步是否成功；Gemini 4 Argon 在实验中使用过，曾拆解22步精细动作，指挥 Apptronik 旗下 Apollo 人形机器人下跳棋。
值得注意的是，谷歌表示团队试过 Gemini 4 Argon，但实际实时体验由更轻量的 Gemini 3.8 Flash 驱动。这说明实时世界模拟不只取决于画面质量，还需要低延迟地持续理解场景、规划行动。
四、开放节奏：先给开发者和最高档订阅用户现在还是研究预览，只向一小批受信任测试者开放，包括游戏开发者、电影制作人等。
接下来几周，会通过 Project Genie 向订阅最高档 Google AI Ultra 的用户开放，waitlist 申请已经开了；之后逐步开放给使用 Google AI Studio 和 Gemini API 的早期合作伙伴。定价尚未公布。
安全上有个动作：Genie 4 生成的所有音频和视频都会嵌入SynthID隐形数字水印，用来识别AI生成内容。
五、谁会先被改掉：影视预演、游戏原型、机器人训练最直接的是影视 VFX 预演——导演可以用文字生成可探索场景，直接调整镜头、灯光、人物动作和对白。游戏原型可以更快验证。机器人训练可以让机器人在虚拟环境里练导航、操作物体、应对环境变化。还有教育与新闻，摄影记者在尝试把二维历史照片转成可探索的动态场景，或者模拟洪水、野火的发展过程。这里要提醒一句：AI 根据历史照片推断出来的画面，不能当成对历史事实的准确重建。
竞争也不慢。Runway 已推出支持实时音频和交互的 GWM Worlds 2；李飞飞创立的 World Labs 走空间智能路线，强调三维环境的重建、编辑和长期一致性；2026年9月，AMD 宣布以约82亿美元收购 World Labs。
冲击其实已经来过一次。2026年1月Project Genie 首次亮相时曾令华尔街受惊，游戏股大幅下跌，Unity 等游戏相关股票一度遭抛售，投资者开始评估 AI 工具是否会颠覆游戏制作方式。
两分钟不是产品，是研究进度条DeepMind 产品经理 Diego Rivas 说得很克制："两分钟能做到的事情终究有限。我们仍处于研究探索阶段，还没有真正进入最终产品的开发阶段。"研究总监 Tejas Kulkarni 则指出，哪怕只维持两分钟的一致性，也需要模型真正理解日常世界的物理规律。
短板也已经暴露：模拟时间拉长后，画面细节和物体位置可能漂移，连续修改提示词会让模型逐渐丢失对早期场景的把握；复杂物理交互、空间准确性都有待改进。商业游戏需要稳定规则、可重复机制和开发者能长期维护的内容，实时生成的虚拟世界离这些要求还有距离。
结尾从视频到世界，这一步确实跨过去了。但跨过去的是技术，不是产品。如果AI两分钟就能造一个世界，游戏公司最先省掉的会是哪一环？