Google DeepMind 发布 Genie 4 实时世界模型

Google DeepMind 发布了 Genie 4，这是一个世界模型，能够实时生成具有逼真视觉效果、声音和对话的交互式三维环境。

该模型目前以研究预览形式向创意产业、新闻、教育、游戏和工程领域的受信任测试者开放。

Genie 4 结合了 Google Gemini 系列模型的能力，用于模拟环境、物体和人物如何响应用户输入而行动。用户可以通过自然语言提示修改场景、改变天气条件、移动摄像机，并在模拟运行过程中引入新的物体或角色。

“Genie 4 是我们首个原生生成音频的实时世界模型，”该公司在公告中表示。该模型可生成环境音和交互式对话，使角色能够对模拟环境中的用户输入和事件作出回应。

该公司表示，Genie 4 可支持从机器人技术和 AI 智能体训练到游戏开发、电影制作及其他交互式体验的各类应用。

Genie 4 建立在 Google Gemini 系列的能力之上。Gemini Omni 为真实世界的外观和行为提供了基础，而其他 Gemini 模型则贡献推理能力，以保持模拟过程的一致性。

Google DeepMind 表示，Gemini 3.8 Flash 在复杂模拟中充当引导智能体。它观察生成的环境，将任务分解为步骤，跟踪进度并检查各个步骤是否已完成。当环境发生变化或用户介入时，该模型可以调整其计划。

这种组合可以帮助研究人员在将 AI 系统部署到现实世界之前，测试它们如何导航环境并执行多步骤任务。

Google DeepMind 还在其机器人研究中试验 Gemini 4 Argon 与 Genie 4 的结合。在一个示例中，Argon 将一项任务分解为多个步骤，由 Genie 4 实时渲染，其中包括对 Apptronik 的 Apollo 人形机器人下跳棋的模拟。

该公司表示，电影制作人可以使用 Genie 4 通过实时更改摄像机角度、灯光、对话和动作来测试场景。游戏开发者可以根据文本提示创建交互式原型，然后再为游戏引擎编写代码。

新闻摄影记者和研究人员正在探索将档案照片转化为历史环境的交互式模拟的方法。其他潜在应用包括可视化山洪和野火等事件。

该公司表示，Genie 4 生成的所有视频和音频都将包含 SynthID，这是其用于在视觉和音频格式中识别 AI 生成内容的数字水印技术。