Google DeepMind 宣布 Genie 4 世界模型，原生同步生成環境音與互動對話，並可用自然語言即時改場景。外媒指連貫互動約可維持約 2 分鐘，較 Genie 3 約 1 分鐘翻倍；研究預覽先給 trusted testers，之後進 Project Genie。
（前情提要：一句話建構無限數位世界！Google世界模型「Genie 3」不是遊戲引擎，而是 AI 成神最後一扇門）
（背景補充：世界模型 World Model 是什麼？如何顛覆世界、運作原理、四大巨頭戰局與爭議）
台北時間 10 月 28 日凌晨，Google DeepMind 在 X 放出約 147 秒演示，並寫道這是「目前最寫實、最可互動」的世界模型 Genie 4。不過這還不是全面開放大眾；官方同步在部落格說明，先以研究預覽交給 trusted testers。
換句話說，現場能看到的是：場景怎麼回應、怎麼響、裡頭的人怎麼動、怎麼回話。真正要問的是，Genie 4 比上一代多了哪幾層，以及官方自己劃在哪裡。
世界模型這次多了什麼？
依 DeepMind 說法，Genie 4 是原生多模態：畫面推進時，可同步長出音樂、環境音與互動對話。官方稱這是首次在即時世界模型裡原生生成音訊，而不是事後配軌。
再看導航層。系統結合 Gemini 家族：Gemini Omni 負責把模擬錨在真實世界的外觀與行為，其他 Gemini 模型則補連貫推理。使用者可用自然語言即時改天氣、鏡頭、加人／物；中間空檔，Gemini 也會監測並導正場景走向。
物理與人物同樣被點名升級：氣動力、碰撞等場景更寫實，人物動作更自然、可即時引導。也就是說，重點不只是「更漂亮」，而是輸入與反應之間的閉環變短。
官方示範用鍵盤控制移動與鏡頭，再用文字提示把場景往前推 —— 聽起來像遊戲，但底層是像素級即時生成，不是先做好關卡資產再播放。
為什麼要綁 Gemini，還扯上機器人？
DeepMind 把 Genie 與 Gemini 綁在一起，是為了模擬多步驟複雜事件。實作上，Gemini 3.8 Flash 當 guiding agent in the loop：邊看畫面、邊拆目標、邊核對每一步是否成功；場景一變或人一插手，計畫就當場改。
官方還寫到與 Gemini Robotics／Gemini 4 Argon 的實驗：Argon 把任務拆成步驟，再以文字字幕即時導 Genie 4 渲染 —— 例如模擬人形機器人下棋。對關心鏈上 AI、虛擬世界經濟的人來說，這比較像「可測的沙盒」先成熟，再談內容與資產怎麼進場。
Trusted testers 已涵蓋影視、新聞、教育、遊戲與工程等圈。有人拿它當預視草稿，有人把一張歷史照片變成可走進的空間；遊戲端則試著在寫引擎程式碼前，先用自然語言摸外觀與互動。
不過官方也強調這仍屬早期研究；端到端產品長什麼樣，現在還沒寫死。
能玩多久、誰先摸得到？
TechCrunch 與 The Verge 都寫到：Genie 4 互動約可維持約 2 分鐘，約是 Genie 3 約 1 分鐘的兩倍。DeepMind 一手文較保守，只說短時段可維持連貫，長跑後細節與物體恆常性仍會漂。
限制清單官方自己列得很直：複雜物理、音訊準確度、可讀文字、空間準確度、長期一致性都還在研究。換言之，現在比較像能連續幾分鐘的即時草稿，還不是可無限遊逛的穩定世界。
發布節奏則是 —— trusted testers 先用，之後給 Google AI Ultra 訂戶（Project Genie）與 Gemini API／Google AI Studio 早期合作夥伴，並開 waitlist。生成內容會帶 SynthID 浮水印；安全評估與護欄依官方政策，先小圈回饋再擴大。
📍相關報導📍
Google 新推實驗產品「Playground」：一句話生成客製化遊戲世界，合作 Unity 遊戲引擎
Runway 發表開源世界動作模型 Praxis-1，押注影片教得會機器人
