Google DeepMind 推出具有原生音频和实时转向的 Genie 4 世界模型

Google DeepMind 的 Genie 4 世界模型通过原生音频、自由格式编辑和实时自然语言引导生成交互式世界。

谷歌 DeepMind 周二发布了 Genie 4，这是其最新的实时交互式模拟世界模型，为人工智能生成的环境带来了该公司所谓的前所未有的真实感和原生音频，用户可以用自然语言即时操控。

根据 TechCrunch 在新闻发布会后的报道，Genie 4 生成了 DeepMind 迄今为止制作的最真实、最具互动性的世界。用户可以在模拟过程中输入提示来改变场景——移动相机、改变天气或引入新的人和物体——同时模型会动态生成同步音频，包括环境声音、音乐和交互式对话。

世界模型——模拟交互式环境而不仅仅是预测文本或渲染静态图像的人工智能系统——已经成为人工智能领域最具争议的前沿领域之一。随着比赛的加速，关注 AI Buzz Wire 上发布的最新 AI 模型。

基于 Gemini 构建，由 Gemini 指导

Genie 4 与 Google Gemini 型号系列深度集成。根据 DeepMind 的公告，Gemini Omni 将模拟锚定在现实世界的外观和行为中，而其他 Gemini 模型提供了保持模拟随着时间的推移保持一致所需的复杂推理。

TechCrunch 将该架构描述为 Gemini 充当导演，负责计划步骤并检查框架，而 Genie 则创建视觉效果。在与 Gemini Robotics 相关的一项研究实验中，Gemini 4 Argon 模型将任务分解为几个步骤，然后由 Genie 4 实时模拟——这一演示 DeepMind 将其定位为一种在机器人场景发生在物理世界之前在模拟中排练的可能方法。

据 TechCrunch 报道，谷歌研究总监特贾斯·库尔卡尼 (Tejas Kulkarni) 在一次简报中表示：“未来我们将越来越多地看到这些混合世界模型，其中 Gemini 编写代码和文本，而 Genie 实时摄取代码并在不同抽象级别模拟现实。”

双倍坚持，更好的物理效果

Genie 3（一年多前作为研究预览发布）相比的代际飞跃是巨大的。据 TechCrunch 报道，精灵 4 可以在长达两分钟内保持一致的场景，是其前身限制的两倍，并提供更好的物理效果和更人性化的角色。它还支持以前不可能的自由形式编辑，例如实时改变天气或摄像机角度或向正在运行的模拟添加新的人物或物体。

该模型并非没有缺陷。 DeepMind 的团队在简报中承认，随着模拟运行时间的延长，细节和对象可能会发生变化，并且该公司尚未解决如何确保生成的音频保持准确或现实世界中的文本保持清晰的问题。

整合的世界模型市场

Genie 4 的到来正值世界模特行业开始整合之际。 TechCrunch 指出，该版本是在 Runway 推出 GWM Worlds 2（一个具有音频生成功能的可玩世界模型）几个月后发布的。与此同时，李飞飞的世界实验室正在被 AMD 收购，亚马逊正在洽谈收购 Decart，Rivian 已经收购了 Third Dimension，以便为自动驾驶测试带来内部模拟功能。

谷歌显然正试图在这个拥挤的领域保持领先地位——投资者已经注意到了。媒体报道指出，在 Genie 4 发布后，Alphabet 股价上涨了 2% 以上，该公司周三公布季度收益报告。前身《精灵 3》去年首次亮相时，视频游戏股受到了震动，投资者担心实时生成的世界最终可能会与传统游戏开发竞争。

从游戏到电影故事板再到机器人

DeepMind 将世界模拟视为迈向 AGI 的关键一步，为机器人和智能体提供安全的训练环境。所推介的商业用例涵盖游戏、交互式学习和制造。该公司的一个推测性例子：进入一幅历史场景的画作，并与画中的主题谈论所描绘的事件。

但早期用户指出了意想不到的地方：电影前期制作。据 TechCrunch 报道，谷歌 DeepMind 工程师迭戈·里瓦斯 (Diego Rivas) 在新闻发布会上表示：“在保持创意空间流动状态变得极其有用的领域，实时性变得最有价值。” “例如，在构思阶段、故事板阶段——任何时候你需要快速构思的时候。”

值得信赖的测试人员已经在使用 Genie 4 制作电影原型，Rivas 建议用户最终可以依靠 Gemini Omni 将这些原型转变为成品创意资产，尽管他强调这些功能仍然还有很长的路要走。