当地时间 10 月 27 日，Google DeepMind 发布新一代世界模型 Genie 4 研究预览版，称其为"迄今最逼真、交互性最强的世界模型"。它能生成最长约两分钟连贯、可交互的虚拟世界，并首次实现音视频同步生成，让用户用自然语言随时改天气、移镜头、加角色。这标志着 AI 从"生成一段看完的视频"走向"生成一个能进去操作的沙盒"。做智能体相关的事可参考扣子Coze这类搭建平台。
过去多数 AI 视频工具是给一段提示词、输出一段看完即止的视频；Genie 4 的不同在于会结合当前场景上下文做动态变化，更像一个可交互的虚拟沙盒或 AI 导演系统。用户不仅能观看，还能进入其中与环境互动：设定事件、观察世界演化、随时介入调整。
这种差别很关键。视频是单向内容，世界模型是可玩的环境。两分钟虽短，但重点不是长度，而是它能在用户不断打断、改写后仍保持场景连贯，人物动作和物理反馈也更贴近真实，这对后续训练机器人和智能体意义更大。
这一代的架构变化值得注意：Google 首次把 Gemini 系列模型更深地引入世界模拟，由大语言模型承担任务理解、事件规划和场景逻辑维护，动态世界的实时画面则交给 Genie 4。简单说，一个负责"想清楚要发生什么"，一个负责"把它实时演出来"。
同时它首次做到音视频同步，能生成与环境匹配的实时音乐、环境噪声和交互对话。这种"大脑负责逻辑、渲染负责画面"的分工，和现在主流的智能体工作流方向一致——未来无论是搭一个智能体还是模拟训练环境，都需要这种规划与执行分离的结构，而不是让一个模型既想又画。
Genie 4 目前只向部分受信任测试者开放，未来才面向 Google AI Ultra 订阅用户和 Gemini API、AI Studio 的早期合作伙伴。Google 给出的落地方向是机器人与智能体训练环境，以及影视、游戏、新闻、制造业的创作工具。
冷静看，两分钟可交互世界离产品化还有距离：物理真实性、长时一致性、可控性都还在研究阶段，普通创作者短期内还拿不到现成产品。但它代表的方向很明确——AI 生成的对象正从文字、图片、视频，进化到可以交互的环境。想跟踪各家模型能力边界，可结合AI模型对比持续观察。
问：Genie 4 是什么？
答：Google DeepMind 10 月 27 日发布的新一代世界模型，可生成最长约两分钟连贯、可交互的虚拟环境，支持自然语言实时改写。
问：它和 AI 视频生成有什么区别？
答：AI 视频多是一次性生成看完即止；Genie 4 会根据用户实时指令动态调整场景，更像可操作的虚拟沙盒。
问：普通人现在能用吗？
答：暂不能，目前仅向部分受信任测试者开放，后续才逐步向 AI Ultra 订阅用户和 API 早期合作方推出。
问：它的实际用途是什么？
答：官方提到用于机器人与智能体训练环境，以及影视、游戏、制造等领域的创作工具，仍处研究预览阶段。