IT之家10月28日消息，谷歌DeepMind于周二推出了最新的世界模型Genie4，目前处于研究预览阶段。这款最新模型能够生成迄今为止拟真度最高、可交互的虚拟世界，用户可以在模拟运行的过程中输入提示词来修改场景。该模型还能生成和虚拟世界同步的实时音频，涵盖音乐、环境音以及可交互对话。
IT之家注意到，就在Genie4发布的数月之前，AI视频初创公司Runway推出了自家第二款世界模型GWM Worlds2，这是一款可交互运行的模型，能够对用户输入做出动态响应，同时支持音频生成。与此同时，世界模型赛道开始出现整合趋势。李飞飞(Fei-Fei Li)创立的世界实验室(World Labs)被AMD收购，亚马逊（AMZN）正在洽谈收购Decart，而Rivian刚刚收购了Third Dimension，以此在内部搭建仿真能力，用于自动驾驶测试。
推出Genie4，是谷歌为在竞争激烈的赛道中保持领先而采取的最新举措。
一年多前，谷歌就以研究预览的形式发布了前代模型Genie3。除了画面拟真度大幅提升并新增音频能力之外，Genie4支持自由形式的编辑操作，比如实时调整天气、镜头角度，或是新增人物与物体。其最长可以维持两分钟连贯不变的场景，时长是前代模型的两倍，物理效果表现更好，虚拟人物也更加贴近真人。
谷歌的大模型Gemini和Genie4的集成度也进一步提高，Gemini相当于导演，负责规划步骤、校验画面帧，Genie4则负责生成视觉内容。在一项和Gemini机器人项目相关的研究实验中，Gemini4Argon模型把任务拆解成多个步骤，再由Genie4进行实时仿真。这项实验展示了一种可行方案：在真实世界开展机器人测试前，先在仿真环境里验证相关场景。
谷歌研究总监特贾斯.库尔卡尼(Tejas Kulkarni)在一场简报会上表示：“未来我们会越来越多地见到这类混合式世界模型，由Gemini编写代码和文本，Genie4实时读取这些内容，在不同抽象层级上对现实进行仿真。”
和其他世界模型一样，其主推的商业化落地场景包括游戏（881275）、交互式学习以及机器人领域。交互式学习的一个设想案例是，用户进入一幅描绘历史场景的画作当中，和画中的人物交流画里记载的事件。
不过，“可信测试者”也就是首批能够体验谷歌前沿产品的用户，发现了一个潜在新用途：电影原型制作。
谷歌DeepMind工程师迭戈.里瓦斯(Diego Rivas)在媒体简报会上说：“实时特性的价值，在需要维持连贯创作思路的场景里体现得尤为突出。比如创意构思阶段、分镜脚本阶段，所有需要快速迸发创意的环节都适用。”
谷歌还推出过Veo这款AI视频生成模型，可以根据文本、图片或者视频提示词生成高清短片，自带同步音频，这款工具在影视创作者群体中热度持续上升。
里瓦斯补充说，用户未来有望借助Gemini Omni这款多模态大模型，把原型素材转化为正式创作资产，Gemini全模态可以基于图片、音频和文本来生成视频。不过他也提到，这些能力距离落地还有一段距离。
整场简报会上，里瓦斯反复强调Genie4仍处在发展早期，完整产品最终会是什么样的体验还没有定论。团队也承认Genie4仍存在短板：仿真运行时间越长，细节和物体就越容易出现偏移，团队还没有找到稳妥的办法，保证音频准确无误，同时让虚拟世界里的文字清晰可辨。
目前Genie4已经面向可信测试者开放研究预览。未来几周内，该模型会陆续向谷歌A（GOOGL）I Ultra订阅用户、Genie项目开放，Genie项目是谷歌推出的AI工具，可以根据文本或图片提示词生成可交互虚拟世界，Gemini应用程序接口(API)和谷歌A（GOOGL）I Studio的早期合作方也会获得使用权限。
