谷歌今日预览了Genie 4，这是一款能够生成逼真三维环境的人工智能模型。作为该公司2024年推出的世界模型系列最新成员，Genie 4在渲染流畅动作、复杂细节以及生成伴随音频（如海浪声）方面，较前代模型有显著提升。
谷歌DeepMind团队指出，Genie 4最大的突破在于对人类行为的模拟。它能创造出移动自然、对环境做出实时反馈的角色，并支持交互式操控。用户可通过自然语言描述创建虚拟世界，并通过后续指令浏览场景或进行编辑，例如改变天气、添加物体等。模型能在保持照片级真实感和一致性的前提下完成这些修改。此外，Genie 4还支持通过键盘控制调整摄像机视角。
底层架构与多模型协同
在技术架构上，Genie 4整合了多个谷歌模型以提升输出质量。它依赖今年5月发布的视频生成器Gemini Omni，确保视觉资产的真实感；同时借助专为成本效率优化的推理模型Gemini 3.8 Flash，保证模拟帧间的一致性。
DeepMind团队表示，Gemini会持续观察场景，将目标分解为步骤，并审查传入帧以跟踪进度和验证结果。当场景变化或用户介入时，Gemini会即时调整计划。
探索机器人训练新路径
目前，DeepMind正研究Genie 4在机器人领域的应用。该项目将算法与谷歌旗舰级推理优化大语言模型Gemini 4 Argon相结合，旨在让工程师通过高级指令模拟机器人行为。
例如，用户可要求Argon生成展示机械臂焊接汽车零部件的合成视频。Argon能将简短请求转化为数十个详细的多句子提示词，分步描述工作流程供Genie 4使用。增加提示词的数量和精度可提升渲染质量，进而生成更高质量的视觉示例，辅助开发者训练控制机器人的AI模型。
谷歌目前正对少数早期采用者测试Genie 4。公司计划通过Google AI Ultra订阅服务向消费者开放该模型，同时也将通过Gemini API和Google AI Studio提供服务。