10月27日，谷歌DeepMind发布新一代世界模型Genie 4，以研究预览形式先向一小批受信任测试者开放，之后几周内扩展到Google AI Ultra订阅者与Gemini API、AI Studio的早期合作伙伴。官方给出的三个关键变化是：更逼真的画面、最长两分钟的场景一致性、以及第一次能同时生成声音。但真正值得拆开看的，是它把"生成"和"调度"分成了两层。
上一代Genie 3能维持的场景时长约一分钟，Genie 4把这个上限翻倍到两分钟。在视频生成里，时长是次要指标；在可交互世界模型里，时长几乎等于可用性。用户用键盘在其中行走、转头、改变天气，任何一次操作都可能让画面漂移，撑得越久，说明模型对空间与因果的记账越稳。
音频是这一代新增的能力。环境声、音乐、以及角色之间能够对用户行为作出反应的对话，都由模型直接生成，而不是后期配。官方演示里给出的例子包括湖面风声、水声与萨克斯的现场演奏，强调这些声音不是贴上去的音轨，而是与画面同步产生。
把音频做进世界模型，难度不只在音质。声音要跟着视角变化，走到喷泉边水声变大，转过头声场跟着转，这要求模型对空间的几何有一致理解。此前已经有团队专门攻这一层，港科大与Noiz AI的Helix World就把原生空间音频与实时生成做在了一起。Genie 4的不同在于，它没有把音频当作独立模块，而是与画面共用同一套世界状态。
需要说明的是，官方承认这些能力都还没完成。视觉细节在长时会话或复杂编辑之后会漂移，物体在用户移动后可能不再保持一致，物理、音频准确度、画面内可读文字与空间精度都被列为未解决问题。所有生成内容会带SynthID水印，用于标识AI生成。
这套系统最值得研究的地方，是它不再把"理解用户意图"和"渲染下一帧"交给同一个模型。Gemini Omni负责把模拟锚定在真实世界的外观与行为上，其他Gemini模型提供维持连贯性所需的推理；而实际在实时体验里驱动流程的，是较轻量的Gemini 3.8 Flash。
它的工作是当导演：观察不断传入的画面，理解用户想做什么，把目标拆成一系列步骤，再核查每一步是否已经完成，然后调整计划。用户输入一句"把天气换成雨"，这句提示不会直接被丢给渲染器，而是先被结合周围场景做适配，再转成可执行的动作序列。
谷歌研究总监Tejas Kulkarni把这种结构称为混合世界模型：Gemini负责写代码与文本，Genie实时接收并模拟不同抽象层次的现实。这句话透露了路线判断，未来的世界模型不是一个越来越大的端到端模型，而是上层负责规划、下层负责渲染的分工体系。
分工带来一个副作用。渲染器只对"当下这一刻"负责，长时一致性就要靠导演层去记账：刚才那栋楼在哪、那个人穿什么颜色的衣服、门是不是开着。这类记忆用文本或结构化状态保存，比塞进模型的隐状态更容易检查，也更容易出错。两分钟的上限，某种程度上就是这套记账能撑住的长度。
官方给的商业用例是老三样：游戏、互动学习、机器人训练。可信测试者的反馈却指向一个更早落地的场景：电影与广告的分镜预演。谷歌工程师Diego Rivas的说法是，实时性在有创意流动的地方最有价值，比如构思阶段与分镜阶段，需要快速把想法看见的时候。
这与传统视频模型形成了明确分工。Veo这类模型负责产出可剪辑的高清片段，Genie 4负责在还没决定要拍什么的时候，让人先走进去看一眼。前者按秒计费、追求成片质量；后者追求反馈速度，允许画面不完美。对导演来说，能在一个场景里转身、换机位、加一个人，比生成一段漂亮的固定镜头有用得多。
机器人方向也在试。在与Gemini Robotics相关的一项研究实验里，Gemini 4 Argon把任务拆成步骤，由Genie 4实时模拟。这展示了一种可能：先在模拟里把机器人场景跑一遍，再放到真实世界。但官方也承认，这类用途能否被广泛采用还不清楚，仿真与真机之间的差距仍是老问题。
游戏行业的反应值得记一笔。今年1月谷歌用Genie 3驱动Project Genie原型时，游戏股曾大幅下跌，投资者开始评估这类工具会不会颠覆游戏制作。这一次的发布没有引发同样的震动，一部分原因是能力仍锁在预览阶段，另一部分原因是行业已经把它当成生产工具而非替代品。
Genie 4没有直接开放API，而是先给受信任测试者，再通过Google AI Ultra订阅与Gemini API早期合作方逐步放开。这条路径与谷歌近一年的大模型发布节奏一致：先在小范围收集反馈，再按订阅档位分层释放。
放在竞争格局里看，世界模型这条赛道正在快速聚拢。Runway几周前发布了第二代世界模型，李飞飞的World Labs被AMD收购，亚马逊在洽谈收购Decart，Rivian则收购了Third Dimension把仿真能力搬回内部用于自动驾驶测试。买方从实验室变成了车企与芯片厂，说明这类模型的估值逻辑已经从"能不能生成"转向"能不能用于训练与验证"。
谷歌的位置比较特殊。它在多模态上的积累让它能把Gemini的推理直接接进世界模型，别人要额外拼一套。但它也面对一个尴尬：世界模型至今没有清晰的收费模式，按订阅卖等于把它当成内容工具，按API卖又要面对推理成本。Genie 4先做预览，某种程度上是在等这个答案。