
日本国家Google DeepMind于10月27日宣布推出对话式世界模型“Genie 4”,并开始向可信测试者提供研究预览版本。未来,该模型将向Project Genie的Google AI Ultra会员、Gemini API及Google AI Studio的早期访问合作伙伴开放。
Genie 4是一款支持接近实拍画面表现和实时交互式模拟的AI模型,具备同时生成环境音、背景音乐和对话的音频功能。它融合了Gemini系列技术,其中Gemini Omni负责支持符合现实世界的外观和动作表现,其他模型则通过推理确保模拟的连贯性和一致性。
世界模型指的是AI对周围环境及其变化进行模拟的模型。与仅根据提示生成固定时长视频的生成型AI不同,Genie 4能够根据用户的移动和操作,实时持续生成下一场景画面。用户在画面中行走或移动物体时,结果会以接近物理法则的方式反映在视频中。之所以称其为“对话式”,正是因为它能即时响应这些操作。
用户可以通过自然语言改变天气、调整摄像机位置,或添加新的角色和物体。Gemini会根据周围环境调整指令,并在输入间隙持续监控和引导场景。物理现象和人物动作表现也得到了提升,角色能够自然地对环境做出反应。
在复杂事件的再现中,Gemini 3.8 Flash作为指导代理运行,将目标拆分为多个步骤,边确认生成中的视频边检验进度和各阶段的成败。它还能根据环境变化和用户干预调整计划,角色对话也会根据输入和世界内事件动态变化。
为保障安全,系统内部进行了防止生成有害内容的评估。生成的视频和音频中附加了不可见的数字水印“SynthID”,以辅助识别AI生成内容。
当前面临的挑战包括:长时间使用或多次复杂指令修改后,视觉细节和物体一致性可能出现破损。团队也在持续研究复杂物理交互、音频精度、清晰文字渲染、空间准确性及长期一致性等问题。


