Google 發布 Genie 4 世界模型，支援即時音訊與 Gemini 3.8 Flash 整合

背景

Genie 是 Google DeepMind 開發的世界模型（world model，能模擬物理環境與互動的 AI 系統）。Genie 4 作為新一代版本，旨在提升即時互動模擬的真實感，並整合 Gemini 系列模型的能力，以維持模擬場景的連貫性與邏輯推理。 官方原文・Google DeepMind Blog

發生什麼事

Google 於 10 月 27 日宣布推出 Genie 4，這是一個原生多模態（natively multimodal，能同時處理與生成多種資料類型）的世界模型。該模型目前以「研究預覽版」（research preview）形式向受信任測試者開放，並計畫隨後開放給 Google AI Ultra 訂閱者以及 Gemini API 與 Google AI Studio 的早期存取合作夥伴。 官方原文・Google DeepMind Blog

重點內容

Genie 4 的核心改進在於整合 Gemini 模型。Gemini Omni 負責錨定真實世界的外觀與行為，而其他 Gemini 模型則提供維持模擬連貫性所需的複雜推理。具體而言，Gemini 3.8 Flash 作為迴路中的引導代理（guiding agent，在迴圈中監控並調整流程的模組），負責將目標拆解為步驟、追蹤進度並驗證每一步是否成功，確保世界具備可靠的因果關係與多步驟推理能力。 官方原文・Google DeepMind Blog

在互動性方面，使用者可使用自然語言即時修改模擬內容，例如改變天氣、移動鏡頭或引入新物件，Gemini 會根據上下文調整提示詞以匹配周圍場景。此外，Genie 4 是 Google 首款能原生生成音訊的即時世界模型，除了環境音（如風聲、海浪），還能生成即時互動對話，角色能根據使用者輸入或世界事件即時反應並說話。 原文

The Verge 指出，Genie 4 生成的體驗長度約為兩分鐘，較前一代 Genie 3 的一分鐘有所延長。該媒體也提到，Google 將 Genie 4 定位為電影製作人的預視工具、遊戲概念原型設計以及機器人訓練場景的輔助工具。 The Verge AI

對使用者的意義

Genie 4 目前主要面向受信任測試者，涵蓋創意產業、新聞、教育、遊戲與工程領域。測試者利用其進行快速預視（pre-visualization），例如電影製作者可進入即時模擬場景調整鏡頭與燈光；遊戲開發者則可透過自然語言提示快速生成可探索的原型，無需撰寫引擎程式碼。企業夥伴也在評估其作為「零到一」場景生成工具，用於識別模擬需求中的缺口。 官方原文・Google DeepMind Blog

限制與未定事項

Genie 4 仍處於早期實驗階段。官方指出，隨著模擬時間拉長、經過多次複雜提示編輯或場景導航，視覺細節與物體恆存性（object permanence，物體在視野外仍存在的特性）可能會發生漂移或改變。複雜物理互動、即時音訊準確度、可讀文字渲染、空間準確度與長期一致性仍是持續研究的領域。所有由 Genie 4 生成的影音內容均包含 SynthID（Google 的數位浮水印技術），以標示 AI 生成內容。 官方原文・Google DeepMind Blog

接下來要看的事

• Genie 4 正式向 Google AI Ultra 訂閱者開放後的實際效能與穩定性表現
• Gemini 4 Argon 與 Genie 4 在機器人研究（Gemini Robotics）中的具體應用案例
• 混合世界模型（hybrid world models）在結合程式碼邏輯與像素級模擬上的進展