Google旗下核心人工智慧（AI）研究實驗室DeepMind，週二（10月27日）推出世界模型（World Model）最新版本Genie 4，進一步提升虛擬環境的即時互動能力，讓使用者能在場景運行期間透過自然語言指令改變天氣、調整鏡頭角度，或加入人物與物件。
不同於傳統AI影片生成工具主要根據提示詞產出固定片段，Genie 4能隨著使用者的操作持續生成後續畫面，並結合Gemini模型的規劃與推理能力，探索世界模擬技術在遊戲開發、影視製作及機器人訓練等領域的應用。以下是新模型的三大特點：
一、首度支援「原生音訊」
Genie 4新模型能在建立虛擬環境的同時，產生環境噪音、背景音樂與口說對話，讓聲音隨著場景中的事件變化，而非單純重複播放預錄音效。例如虛擬海岸可以伴隨海浪聲，角色移動時也能產生相應聲響；模型也開始支援互動式對話，讓虛擬人物依據使用者的輸入及場景狀況產生回應。
二、模擬時間延長至2分鐘
Genie 4單次模擬的連貫時間可達約2分鐘，較前一代Genie 3的約1分鐘延長一倍。使用者可透過文字提示建立虛擬世界，再利用鍵盤控制角色、探索環境，或在模擬進行期間下達新指令。例如使用者可以要求系統改變天氣、調整鏡頭視角，或在原有場景中加入新角色與物件；模型會直接修改正在運行的環境，不必每次都從頭生成影片。
三、由Gemini負責規劃AI訓練
Genie 4另一項重要進展，是結合Gemini模型的規劃與推理能力，讓AI不只生成虛擬場景，也能依照任務目標安排行動。在這套架構中，Gemini 3.8 Flash負責解讀使用者目標、拆解任務步驟，並觀察生成畫面的變化，再引導Genie 4持續模擬。當環境或使用者指令改變時，系統也能據此調整後續流程。
Google也正探索將更大型的Gemini 4 Argon模型用於相關研究，由模型先規劃任務，再交由Genie 4即時模擬執行過程。
這套架構有望用於機器人訓練，研究人員可以先在虛擬環境測試不同操作方式，再將成果應用到實體機器人。由於真實測試需要設備、場地和反覆實驗，逼真的模擬環境有助降低研發成本。不過，如何縮小模擬與現實的差距仍是一大挑戰。
有望合作影視製作？ Genie 4應用潛力與技術限制並存
不過，Genie 4目前仍有視覺漂移、物理互動不夠準確、音訊生成效果不穩定，以及文字辨識不清等限制，距離開發出可正式上市的遊戲仍有一段差距。Google也坦言，現階段模型還無法取代既有的遊戲與影視製作流程。
目前，Google以研究預覽形式向經審核的測試者開放Genie 4，後續規劃透過Project Genie擴大使用範圍，生成的影片與音訊也會加入SynthID數位浮水印，以辨識AI生成內容。與此同時，Google正與影視、遊戲、教育及機器人模擬等領域的合作夥伴探索實際應用，未來能否發展成成熟的商業工具，仍取決於模型在模擬準確性、穩定度及持續運行能力上的改善。
