AI 生成的世界，终于有声音了

Genie 4 的另一项重要升级，是首次支持原生音频生成。

此前，Genie 系列主要围绕画面和动作交互展开。如今，Genie 4 可以在生成世界的同时，实时生成环境声音、音乐和人物对话。

例如，海边会有海浪声，树林里会有风声，骑着巨龙穿越山谷时，还能听见翅膀拍打空气、狂风呼啸以及远处的火山活动。

更值得关注的是，Genie 4 开始让虚拟人物拥有实时对话能力。

传统游戏中的 NPC 通常依赖预先设计的对白和行为逻辑，而 Genie 4 可以根据用户输入和场景中发生的事情，动态生成角色的语言与反应。

这意味着，未来玩家有机会走进一个 AI 创造的世界，与里面的人物自由交流，甚至通过自己的行动改变故事发展。

不过，Genie 4 目前仍存在音频准确性和长期一致性方面的问题，距离真正支撑大型开放世界游戏，还有不小的技术距离。

Gemini 也来当导演，AI 开始理解世界如何运转

如果说画面和声音让 Genie 4 更加接近现实，那么 Gemini 的加入，则让世界模型开始具备复杂的推理和规划能力。

根据 Google DeepMind 的介绍，Genie 4 融合了 Gemini 家族的多项能力。

其中，Gemini Omni 为模拟提供现实世界的外观与行为基础，而 Gemini 3.8 Flash 则充当实时引导智能体，持续观察生成画面，将任务分解为多个步骤，并判断每一步是否成功。

Genie 4 负责生成虚拟世界，Gemini 则负责规划接下来应该发生什么。

例如，用户要求机器人完成一项复杂任务，Gemini 可以将任务分解成多个动作，观察机器人在模拟环境中的表现，并根据执行结果调整下一步计划。

即使用户临时改变要求，或者周围环境发生变化，Gemini 也可以实时修改行动方案.

谷歌还展示了一项结合 Gemini 4 Argon 与 Genie 4 的研究实验。

在演示中，Gemini 4 Argon 将任务分解为连续步骤，Genie 4 则实时模拟 Apptronik 旗下 Apollo 人形机器人下跳棋的过程。

相比单纯生成一段机器人下棋的视频，这种组合更强调对任务执行过程的持续模拟和调整。

调整。

对于机器人训练来说，这项能力很有价值。

现实中的机器人训练需要大量设备、场地和实验，一些危险或成本高昂的场景也很难反复测试。如果世界模型能够准确模拟物理环境，机器人就有机会在虚拟世界中提前练习，再将学到的能力迁移到现实。

Google DeepMind 研究主管 Tejas Kulkarni 也表示，未来的重要方向是混合世界模型，将语言模型的结构化推理能力与世界模型的感官模拟能力结合起来。

Gemini 可以负责规划和组织复杂事件，Genie 则将这些规划转化为实时变化的画面、声音和物理环境。

AI 开始尝试在自己创造的世界中，预测并验证行动可能带来的结果。

世界模型的野心，远远不止游戏

目前，Google DeepMind 已邀请电影、游戏、新闻、教育和工程等行业的测试者，探索 Genie 4 的实际应用。

其中，一个颇具想象力的方向是电影制作。

过去，导演想验证复杂镜头，通常需要提前制作分镜、搭建三维场景，或者安排演员预演。

借助 Genie 4，创作者可以通过文字生成一个可探索的虚拟场景，直接进入其中调整镜头、灯光、人物动作和对白，快速尝试不同的拍摄方案。

对于游戏开发者，Genie 4 也可能成为快速原型工具。开发者可以通过提示词创造游戏环境，直接测试美术风格、材质表现和基础互动玩法，再决定是否投入资源正式开发。

新闻与教育领域同样存在应用空间。

谷歌提到，一些摄影记者正在尝试将二维历史照片转化为可探索的动态场景，或者通过模拟展示洪水、野火等事件的发展过程。不过，AI 根据历史照片推断出的画面，并不能直接视为对历史事实的准确重建。

在企业端，世界模型也可能用于工业仿真、机器人研发和复杂环境测试，减少部分真实试验所需的时间与成本。

随着应用前景逐渐清晰，世界模型也成为 AI 巨头争夺的新方向。

除了谷歌，Runway 已推出支持实时音频和交互的 GWM Worlds 2，而李飞飞创立的 World Labs 则选择了另一条空间智能路线，更强调三维环境的重建、编辑和长期一致性。

今年 9 月，AMD 宣布以约 82 亿美元收购 World Labs，也足以说明世界模型的价值，已经从内容生成延伸到了机器人和 AI 算力基础设施。