Lazy loaded image
骑龙、改天气、还能实时唠嗑:Google Genie 4 发布,世界模型离真正能玩还有多远?
字数 2580阅读时长≈ 7 分钟
2026-10-28
2026-11-6
type
Post
status
Published
date
Oct 28, 2026
slug
google-genie
summary
做 AI 出海和互动产品的朋友,如果只盯着“文生视频”卷画质,可能会漏掉更大的风口——世界模型。最近 Google 正式发布了世界模型 Genie 4,距离去年 8 月 6 日 Genie 3 发布(当天恰逢 OpenAI 发开源模型 gp
tags
Google
Gemini
chatgpt
openai
gpt
category
人工智能
icon
password
做 AI 出海和互动产品的朋友,如果只盯着“文生视频”卷画质,可能会漏掉更大的风口——世界模型。最近 Google 正式发布了世界模型 Genie 4,距离去年 8 月 6 日 Genie 3 发布(当天恰逢 OpenAI 发开源模型 gpt-oss)刚好过去约 14 个月。为什么必须盯紧它?因为它不再是帮你“拍一段看完了事的片子”,而是“实时算出一整个能进去折腾的虚拟空间”。
在这里插入图片描述
在这里插入图片描述
图:Google Genie 4 官方发布图

一句话看懂 Genie 4

平时用的 Seedance、可灵等工具干的活叫“拍录像”,导出后画面就焊死了,没法让主角往左迈一步。
而 Genie 4 干的是“实时演算一个能响应动作的世界”。官方演示里,你第一人称骑黑龙穿梭在群山城堡间,耳边有扑腾声、风声和火山音效。画面左下角是 WASD 键,右下角是方向箭头,画面里大部分变化都由你实时按键操控。推开门要有合理空间,碰倒的东西溜达一圈回来还得躺在地上——这就是世界模型和普通视频生成最本质的区别。
在这里插入图片描述
在这里插入图片描述
第一人称骑龙实时操控演示(视频截图,完整演示见原文)

比 Genie 3 强在哪

熬了 14 个月,Genie 4 的核心升级总结为三大块:
  • 画质逼近照片级,物理规律不再“鬼畜”:画质更接近真实照片,动作顺滑自然。对碰撞、空气动力学等物理效果的模拟上了一个大台阶,不再是软绵绵的纸片人质感。
在这里插入图片描述
在这里插入图片描述
照片级画质与物理模拟展示(视频截图,完整演示见原文)
在这里插入图片描述
在这里插入图片描述
图:Genie 4 碰撞与空气动力学等物理效果演示
  • 指哪打哪的实时控制,边玩边用嘴“改世界”:世界一致性稳了不少。除键盘控制移动和视角外,你还能在运行中直接打字下指令——比如突然改天气、凭空加物体或改事件,它都能低延迟接住,不用重新加载。
在这里插入图片描述
在这里插入图片描述
键盘控制与高一致性表现(视频截图,完整演示见原文)
在这里插入图片描述
在这里插入图片描述
运行中通过自然语言低延迟改世界(视频截图,完整演示见原文)
  • 告别“哑巴世界”,自带原生音频与实时对话:这次把原生音频打包进去了,能同步生成环境音、带音乐感的背景声和角色对话。里面的 NPC 不仅能实时开口说话,还会根据周围突发事件当场做出反应。
在这里插入图片描述
在这里插入图片描述
同步生成环境音、音乐与交互对话(视频截图,完整演示见原文)
在这里插入图片描述
在这里插入图片描述
角色实时说话���对突发事件反应(视频截图,完整演示见原文)

世界模型的两条路:边画边玩 vs 先搭好再逛

现在行业搞世界模型分成了两大门派:
第一条路叫“边画边玩”(视频生成式路线),代表是 Google Genie 系列。它不提前建 3D 模型,而是根据历史画面加此刻按键操作,逐帧去“猜”并画出下一秒。好处是极灵活、动态感拉满;但死穴是一致性难维持(转个身 NPC 衣服可能变色),且只要待在里面就得一直烧算力,所以公开演示很少见到连续跑 10 分钟以上的长视频。
第二条路叫“先搭好再逛”(3D / 高斯泼溅路线),代表是李飞飞创办的 World Labs。他们去年 11 月上线的 Marble 采用 3D 高斯泼溅技术,无论喂文字、照片、视频还是粗糙方块布局,都能生成由约两百万个高斯点组成的完整 3D 世界。
在这里插入图片描述
在这里插入图片描述
图:Marble 未渲染完成状态
在这里插入图片描述
在这里插入图片描述
图:约两百万个高斯点组成的 Marble 完整 3D 世界
这门派很招工程派喜欢:世界真实搭出来,怎么转都不穿帮;渲染便宜,还能直接导出高斯泼溅或网格模型,一键塞进 Unity、UE、Blender 修改,或戴 VR 头显直接逛。缺点是纯静态,没有活蹦乱跳的角色,动画特效得进游戏引擎手搓。
拉个表看清两条路线的脾气:

合流:Atlas 和 "Gemini 当导演"

有意思的是,两大门派现在开始互相抄作业、往一处合流了。
先看李飞飞的 World Labs,今年 9 月 1 日发布了“全能世界模型” Atlas。演示里只用三部三脚架手机拍摄,就做出了《黑客帝国》“子弹时间”那种任意新视角重渲染效果。Atlas 靠的是自研的多模态扩散模型,把空间和时间联合建模,能生成最长 1 分钟、带严格相机位姿约束的 1440p 视频,还能直接吐出点云和 3D 高斯泼溅数据,未来将驱动新版 Marble。
在这里插入图片描述
在这里插入图片描述
Atlas 用三部手机实现任意新视角重渲染(视频截图,完整演示见原文)
再看 Google,既然纯视频生成在“长因果能力”上容易迷糊,干脆请自家的 Gemini 当“场外导演”。比如接入 Gemini 3.8 Flash 作为引导智能体,把大目标拆成小步骤,逐帧检查进度;用户中途插手或环境变了,就当场重写计划。
官方还秀了 Gemini 4 Argon 和 Genie 4 搭档,模拟 Apptronik 的 Apollo 人形机器人下跳棋:Gemini 当大脑负责理解局势和规划步骤;Genie 4 当躯干负责把画面、声音和动态结果呈现出来。
在这里插入图片描述
在这里插入图片描述
Gemini 4 Argon 与 Genie 4 协同模拟机器人下跳棋(视频截图,完整演示见原文)

对做游戏 / 互动内容的人意味着什么

传统 3A 开放世界动辄开发数年、烧数亿美元做资产,但玩家对自由度的渴望永远超过预设内容;而爆火的“互动影游”分支一多拍摄成本就爆炸。如果用上世界模型,未来游戏和影游不再是读取死板的预制任务或拍死的片子,而是顺着底层规则实时生成任务与突发事件,交付“一个会自己持续发生故事的世界”,让观众变成共创者。
但这不意味着策划要失业。纯靠 AI 随机生成玩两下就会空洞,像《塞尔达》或《博德之门3》封神靠的是底层机制精妙。正如近 20 年老玩家卡兹克说的:“规则才是王道”。技术能省下堆美术的苦力活,但定好玩的规则依然得靠人。

对普通用户意味着什么

对普通玩家来说,这东西最迷人的是极致沉浸感,正如资深 VR 玩家卡兹克说:“世界模型……就像我们能控制的一场清明梦”。在里面想飞就飞、想下雨就下雨,整个世界围着你的念头实时转并给出逼真的视听物理反馈,算得上人类娱乐的终极幻想之一。

我的看法和几个冷静点的保留意见

作为实战派博主,最后泼点冷水,保留几点清醒意见:
  1. 普通人现在根本用不上:官方压根没提何时开放、怎么收费和调用,目前还处于秀肌肉阶段。
  1. 算力账单估计是天文数字:逐帧实时响应极其烧算力,连跑 10 分钟以上的演示都少见,真让上万玩家挂机几小时成本谁也扛不住。
  1. “官方演示”不等于“落地产品”:Demo 往往挑最好的片段,复杂长流程下空间逻辑和一致性能不能稳住还得打问号。
  1. 别迷信技术能包办一切:哪怕以后技术白菜价了,好世界的核心依然在“规则设计”和叙事节奏上,这仍是最稀缺的手艺。
咱们保持关注、提前构思玩法就行,真金白银的投入不妨等它跑通商业闭环再动手!
本文部分信息与配图参考自公众号「数字生命卡兹克」文章《Google的世界模型Genie 4正式发布,这一次,世界终于要活过来了。》,原文:https://mp.weixin.qq.com/s/f9NSNDchorq7YgSdx9TqA,已获授权。
常用入口(纯文本,可复制):
  • 模型试用:http://trymodel.chat/
  • API 聚合:https://tryallapi.com/
  • 账号充值:https://chongzhi.chatgpt-plus.top/
上一篇
国内怎么开通 ChatGPT Plus?2026年付款方式、账号确认与 Pro 选择指南
下一篇
GPT-6.1 Terra 是什么?ChatGPT Work / Codex / API 怎么用上