2026 年 10 月 27 日，谷歌 DeepMind 发布了新一代交互式世界模型 Genie 4。用户敲击键盘就能在画面中穿行，水洼脚步声会实时响在耳边。然而官方在随后的技术简报会上给出了明确界限：这个由算法编织的世界，连续运行超过 2 分钟就会出现细节变形。
敲下键盘就能走进新场景，画面和声音在 1 秒内同步生成
过去大部分视频模型只能输出静音画面，音效全靠后期拼接。Genie 4 首次做到了画面与音频同步推演。脚步声、风声与角色的交互对话，均由模型在单帧推演中直接生成。官方强调上面出现的所有声音都由模型自主产生，省掉了额外挂载音频模型的传输时延。
图：Genie 4 实时生成的交互式场景，模型根据按键输入动态计算物理运动与光影反馈。来源：TechCrunch / Google DeepMind。
Gemini Omni 负责参照真实世界，校准外观与物理动作。碰撞反应与空气阻力均贴合现实规律。后台推理模型持续监控场景，把随手输入的语言重写为环境指令。玩家可以打字改变暴雨天气，或加入新的活动角色。
在具体交互中，玩家不需要输入精准的游戏指令。输入让天空下起暴雨，模型便会自动推演出湿滑路面的反光。这种将语言转化为物理模拟的能力，省去了预先编写脚本的工序。
两次按键的间隙，系统依然维持环境推演。街上行人继续前行，世界不会因操作停顿而僵死。该技术目前正以研究预览形式开放。数周内，候补通道将向 AI Ultra 订阅者开放。
镜头转开再移回来，外卖骑手凭空多戴了一顶头盔
在技术社区公布的演示片段中，很多开发者开始逐帧寻找破绽。一段香港街景演示里，外卖骑手最初光着头穿过狭窄巷道。镜头移开半秒再扫回时，骑手头上凭空多出了一顶崭新的安全帽。另一段巨龙飞行的演示中，视角绕过山脊再折返，平原上突然耸立起一座完整的石头城堡。
火车站台的片段同样出现了类似状况。画面远处的旅客在走动过程中悄然变幻身形，原本穿着风衣的身影转眼化为短袖。只要物体留在屏幕视野之内，空间连贯性相当稳定。一旦物体脱离视野，系统不会在内存中保留三维几何坐标与空间状态。
等镜头重新扫回原位，算法只能根据周遭语义临时编造一组像素。DeepMind 工程师迭戈·里瓦斯（Diego Rivas）承认，细节漂移会随时间加剧。目前场景内的文字难以辨认，音频精度也存在断层。官方直言这仍属于早期探索，产品形态尚无定论。
技术社区对这些穿帮细节格外敏感。如果脱离视野的物体容易保持连续，官方在制作演示时理应率先修复。瑕疵原样留在公开视频里，表明空间记忆依然是全行业尚未攻破的难关。
婴儿几个月就能学会的常识，大模型跑满 2 分钟就会露馅
人类婴儿在八个月左右，就会掌握对「物体永久性」的基础认知。玩具被毛毯遮盖后，婴儿清楚东西依然留在原地，会主动伸手寻找。当前的生成式模型缺乏这种空间守恒能力。它更像一位即兴画师，笔尖跟着视线快速涂抹，视线转开便立刻遗忘。
图：DeepMind 展示的 Genie 4 运行逻辑，模型依赖上下文推理维持短期连贯，长时记忆仍面临指数级误差累积。来源：Google DeepMind。
从工程数据来看，Genie 4 将场景一致性上限推到了 2 分钟。这个时长是 2025 年 8 月发布的上一代模型 Genie 3 的两倍整。时长翻倍伴随着成倍的算力开销，上下文拉长未能消除误差累积。缺少几何约束，单帧微小偏差在数十秒内就会放大为整体崩塌。
传统游戏引擎会将网格与物体状态长久保存在显存中。无论玩家跑出多远再返回，桌上的水杯绝不会产生偏移。世界模型则试图绕开坐标，直接用概率分布去推算下一帧像素。这种推演能生成丰富的视觉效果，却难以支撑起严谨的物理连贯。
巨头抢购创业团队，想让机器人在虚拟梦境里试错
尽管缺陷明显，世界模型依然引来了科技巨头的密集布局。数月前视频厂商 Runway 发布了第二代世界模型 GWM Worlds 2。芯片厂商 AMD 收购了李飞飞创立的 World Labs，亚马逊也在接洽收购 Decart。电动车企 Rivian 则买下 Third Dimension，用于测试自动驾驶系统。
行业押注世界模型的核心目标，是给实体机器人寻找低成本试错场地。谷歌在机器人实验中，让 Gemini 4 Argon 模型负责拆解任务步骤。随后系统调用 Genie 4 实时推演物理反馈，让算法在虚拟环境中预先演练。研究总监泰贾斯·库尔卡尼指出，混合式架构将成为行业未来的关键路径。
眼下的 Genie 4 距离严谨的工程仿真依然有很大差距。现实中机器人打碎水杯会留下碎片，而模型在转身后可能将其凭空抹平。早期测试者发现，这个模型眼下更实用的用途是影视前期的概念分镜。创作者借助即时反馈捕捉灵感，不必为细节是否严丝合缝而分心。
世界模型的技术分水岭，始终建立在空间一致性之上。Genie 4 证明了算法能实时造出有声有色的交互场景，带来即时的操作反馈。只要出画重置的缺陷依然存在，这个世界便会在 2 分钟后悄然散架。它能为创作者提供一张灵敏的草稿纸，却暂时无法承载严苛的物理仿真。
参考链接：
- Google DeepMind 官方研究公告
- TechCrunch 现场深度报道
- Hacker News 开发者社区技术讨论
