Genie 4能边走边出声了：DeepMind新世界模型单次交互撑到两分钟

文生视频做出来是一段录好的片子，镜头怎么走、人物怎么动都定死了。世界模型不一样，你按键盘，画面实时跟着变。

谷歌 DeepMind 10 月 27 日深夜放出的 Genie 4，就是这一路线的最新一代。

几个具体变化：

单次连贯交互从 Genie 3 的 1 分钟翻倍到 2 分钟。运行中可以打字改天气、加角色、换机位。

空间记忆明显更稳。推开一扇门，门后是一个说得通的房间；踢倒一把椅子，转一圈回来它还倒在原地。上一代经常一转头背景就换了，这次官方专门拿这个做演示。

声音是第一次加进来。马踩过浅滩会有水声，离篝火越近噼啪声越大，走到 NPC 面前可以开口或者打字跟它聊，对方会按场景回应。

背后用了好几个模型协作：Gemini Omni 负责锁住角色和道具的外观，Gemini 3.8 Flash 在运行中盯着画面当“导演”，逐帧审查。另外谷歌还把 Gemini 4 Argon 放进 Genie 生成的虚拟房间里，训练 Apollo 人形机器人下棋、做家务。

谷歌自己承认的短板也不少：跑久了细节会漂移，画面里的文字还是容易乱码，物理交互和长期一致性都没解决，离替代游戏引擎还远。

想玩目前也难。只对受信任测试者开放，普通用户要先开约 100 美元一个月的 Google AI Ultra，再排队。

我更关心的是机器人训练那一条。游戏公司担心被替代可能是多虑，但用世界模型批量生成仿真环境去训机器人，这条路看起来比做游戏更快落地。