世界模型要回答的问题很直接：给AI一个「可互动的假世界」，让它在安全环境里试错。10月27日，谷歌DeepMind宣布Genie 4，把实时交互仿真又推进一步。
官方博客称，Genie 4提升拟真与实时交互能力，并原生多模态：音乐、环境声与可交互对话可与画面同步生成。模型吸收Gemini家族能力——Gemini Omni等用于锚定真实世界外观与行为，其他Gemini模型提供复杂推理以维持场景连贯。用户可用自然语言在运行中改写天气、移动镜头或引入人物物体，系统在输入间隔持续监控并引导场景演进。
能力叙事还包括物理与人物动作：气动、碰撞等场景，以及更自然的人体运动与可交互引导。DeepMind强调其可用于机器人与智能体训练环境，以及影视、游戏等互动体验。访问节奏上，已对可信测试者开启研究预览，并计划推向Project Genie中的Google AI Ultra订阅用户，以及Gemini API与Google AI Studio的早期合作伙伴。
局限性写得很坦白：短时程可维持连贯，但时长拉长、复杂编辑或场景漫游后，视觉细节与物体恒常性仍可能漂移；复杂物理、实时音频精度、可读文本、空间精度与长期一致性仍是研究中。生成内容据报道带有SynthID等水印机制，便于溯源。
对具身智能，Genie 4的意义是把「仿真器」从引擎手工搭建，部分转向「提示词驱动的可采样世界」。对内容产业，它更像实时可导演的影像沙盒。竞争面上，世界模型赛道融资与发布密集，谷歌选择用Gemini全家桶做连贯性中枢，押注的是模型协同而非单点生成器。
一句话：Genie 4让假世界开始「有声且可改」——落地关键仍是长时程不崩，而不是两分钟デモ。