Google DeepMind 在 10 月 27 日放出了 Genie 4——一个能实时生成可交互三维世界的世界模型（world model）。和前代最大的区别在于三件事：模拟过程中你可以随时打字改场景、画面自带实时音频、单个场景能保持两分钟不崩。它现在是 research preview（研究预览）状态，只给 trusted testers 用，接下来几周才会开给 Google AI Ultra 订阅用户和 Gemini API / AI Studio 的早期合作方。
对普通读者来说，这条新闻值得关注不是因为”又一个视频模型”，而是因为世界模型这条路正在从”生成好看的画面”转向”生成能被操作的环境”。这两件事的用途完全不同：前者是做内容，后者是训练机器人、测试自动驾驶、做交互式教学。
一、Genie 4 到底多了什么能力
官方简报里提到的几个关键点，按实用程度排序：
- 实时提示改场景：模拟跑着的时候可以输入新的提示词，直接改天气、改机位、加人加物。Genie 3 只能从头再生成一次。
- 原生音频：模型会同步生成与画面匹配的声音——背景音乐、环境噪声，甚至场景里人物的交互对话。这是 Genie 4 相对前代最直观的升级，也是它敢说”可玩”的底气。
- 一致性拉长到两分钟：Genie 3 大约能撑一分钟，Genie 4 翻倍。这个指标直接决定能不能用来做分镜和关卡预演——一分钟只够一个镜头，两分钟能连一场戏。
- 物理与人物质感：官方说法是物理更接近真实、人物更不像塑料人。但团队自己也承认，模拟跑久了细节和物体会漂移，世界里的文字还经常糊成一片。
- Gemini 当导演：Gemini 负责拆步骤、检查关键帧，Genie 负责出画面。在 Gemini Robotics 相关的一个实验里，Gemini 4 Argon 把任务拆成步骤，Genie 4 实时把它们模拟出来。
最后这条其实是最有想象力的部分。它意味着”先在模拟里把机器人要做的事跑一遍，再放到真机上”这条链路第一次有了可用的工具形态。这也是NVIDIA Cosmos 3 等物理 AI 世界模型一直在讲的故事，只不过 Google 这次把多模态规划模型和世界生成模型接在了一起。
二、和对手摆在一起看
| Model | 关键能力 | 访问状态 | 主要定位 |
|---|---|---|---|
| Google Genie 4 | 实时改场、原生音频、两分钟一致性 | 研究预览，Ultra 订阅者排队中 | 交互世界生成、影视预演、机器人测试 |
| NVIDIA Cosmos 3 | 全模态世界基础模型 | 开放权重，可自部署 | 物理 AI、合成数据 |
| World Labs（已被 AMD 收购） | 空间智能、单图生成可探索场景 | 产品化中 | 空间理解与生成 |
| 阿里 Wan3.0 | 文生视频、网页转视频 | 已开放 | 内容生产 |
| Once AI music companies are required to pay royalties to rights holders, these costs may ultimately be reflected in subscription prices or free-tier allowances. | 文生视频、数字人 | 已开放 | 短视频与营销素材 |
坐标系很清楚：Wan3.0、可灵这类是”生产内容”的工具，交付物是视频文件；Genie 4、Cosmos 3 是”生成环境”的工具，交付物是一个可以被操作、被测试的世界。前者你现在就能付费使用，后者还在早期。想横向比较更多视频类模型，可以看我们的Tool Comparison Engine.
三、最先被改变的可能是影视分镜，不是游戏
官方给的商业场景是游戏、交互式学习、机器人，但 trusted testers 反馈的用法更实在：拍片前做原型。DeepMind 工程师 Diego Rivas 在简报会上说，实时能力最有价值的地方是”保持创作心流”——构思阶段、故事板阶段，你需要快速迭代的时候。
这个逻辑站得住。传统分镜是画出来的静态图，导演要靠脑补运镜和节奏；用 Genie 4 可以先生成一个能走动的粗糙场景，看机位顺不顺、节奏对不对，再决定要不要实拍。Rivas 也提到，未来可能用 Gemini 这类多模态模型把原型直接转成可用的素材——但他明确说这一步还很远。
顺带说一句，AI 长片这条路上周已经有过一次公开对比：三星堆票房破百万 vs Grok 版《奥德赛》被批没有灵魂。Genie 4 这类工具进来之后，”AI 能不能拍片”的争论会慢慢变成”AI 拍片的工作流长什么样”。
四、现在还买不到，也别高估它
几个需要泼冷水的地方：
- 无法直接用：研究预览只开放给 trusted testers。普通用户要等 Google AI Ultra 订阅通道，以及 Gemini API / AI Studio 的早期合作方名单。
- 产品形态未定：Rivas 反复强调”还很早”，团队自己都不确定最终端到端体验是什么样。这句话翻译过来就是：别按现在的 demo 规划你的工作流。
- 技术债还在：长时模拟的细节漂移、音频准确性、世界内文字可读性，三个都没解决。做分镜够用，做交付级画面不够。
- 算力成本未知：实时生成 + 实时音频，推理开销不会小。定价出来之前，任何”替代实拍省钱”的账都算不准。
所以更合理的判断是：这是世界模型赛道的一个明确里程碑，但不是今年能改变你工作方式的工具。真正值得盯的信号是它什么时候进 Gemini API 的正式价目表——那才意味着可批量调用、可做产品。
五、对国内用户意味着什么
现实一点说，Genie 4 短期和国内用户关系不大：一是访问门槛（Google AI Ultra + 区域限制），二是它现在根本没有可交付的产品。但它明确了一件行业方向——视频生成的下一个战场是”可交互”，不是画质分数。
国内厂商在这个方向上起步不算晚：阿里的 Wan3.0 已经在做网页/PDF 转视频，可灵在做数字人和可控生成。真正落后的是”世界模型 + 规划模型”的组合能力，也就是让一个模型拆任务、另一个模型实时把任务演出来。这块目前只有 Google 和 NVIDIA 拿出了公开 demo。
想持续跟踪新模型和评测，可以看我们的AI Model Library；Gemini 侧的能力变化可参考 Gemini 4 Argon Deep Review.
Frequently Asked Questions (FAQ)
Genie 4 现在能免费用吗？
不能。它目前是研究预览，只给受邀的 trusted testers。后续会先向 Google AI Ultra 订阅用户开放，同时给 Gemini API 和 Google AI Studio 的早期合作方开权限，没有免费额度。
Genie 4 和 Veo 有什么区别？
Veo 是生成固定视频片段，输出是 mp4，你看完就结束；Genie 4 生成的是一个持续运行、可以被输入改变的世界，你能在模拟过程中改天气、改机位。简单说 Veo 做素材，Genie 做环境。
世界模型（world model）是什么意思？
指模型学的是环境的运行规律，包括物体怎么运动、动作会导致什么后果，而不是只学像素长什么样。所以它能被”操作”——你给它输入一个动作，它推演后续状态。这是训练机器人、做自动驾驶测试的基础设施。
Genie 4 能用来做机器人训练吗？
方向上是，但还不成熟。Google 用 Gemini 4 Argon 拆解任务、Genie 4 实时模拟，做了一个 Gemini Robotics 相关的实验。不过模型自身的物理精度和长时一致性还有明显缺口，目前更适合流程验证而不是替代真机数据采集。
Summarize
Genie 4 的进步是真实的：实时改场、原生音频、两分钟一致性，这三项把它从”能玩的 demo”推向”能进工作流的原型工具”。但它还是研究预览，产品形态未定、技术缺口明确，现在能做的只有关注。真正该记下来的一句话是——视频模型的竞争重点已经从画质转向可交互性。
Want to Discover More Useful AI Tools? Explore Our AI Model Library and Tool Comparison Engineor continue reading:NVIDIA Cosmos 3 深度评测 · 阿里 Wan3.0 深度评测 · Kuaishou Kling in-depth review.