众力资讯网

谷歌Genie4重磅登场,AI世界模型迎来质变

深夜刷手机的人,多半都撞见了这条消息GoogleDeepMind放出了新一代世界模型Genie4。官方措辞很克制,管它叫"研究预览版",但把演示一个个点开看下来,人是很难坐得住的。

一、你不再是观众

去年Genie3出来那会儿,大家已经惊叹过一轮:视频还能这么玩?可它有个致命的毛病画面是无声的,一生成真人,五官动不动就黏在一起,四肢也僵。

Genie4把这口气补上了。它是谷歌第一款原生带声音的世界模型,风里有树叶沙沙响,海浪有拍岸声,角色还会在你操作的空当里张嘴即兴接话。一个世界能连贯撑到约两分钟,画面稳定在24帧上下

最上头的,是那种"言出法随"的爽感。

官方放了一段香港大桥飙车戏,王家卫那种黄绿调子。后座女孩刚把台词喊出口,你敲进两行字:"背景发生爆炸""毁灭世界的巨型外星触手"。话音刚落,维港天际线火光冲天,触手从云里砸下来。路灯的橘色拖影、女主脸上那点细小的担忧,都还在。

你不是在看,你是坐在驾驶座上改剧本的那个人。

二、分水岭不是画质,是"记得住"

沃顿商学院教授EthanMollick拿到抢先测试资格,晒了段录屏。他只喂了一句"由马和机器人共同居住的新哥特式粗野主义城市",不到一分钟,城市就立起来了,单帧延迟稳定在23到25帧。他随手点了个"巨龙掠空",几秒后真有一头龙扑着翅膀掠过。

接着他又输了一行:"一只友好的水獭NPC走过来问问题。"街角当真跑出一只穿马甲的水獭,用伦敦腔搭话:"打扰一下,旅行者。"

很多人把视频模型和世界模型混着说,其实差别就藏在一个细节里:你推开一扇门,转身离开三十秒,再走回来,那扇门还是开着的吗?视频模型做不到它一帧一帧地拼画面,走两步就把前面的目标忘干净了。世界模型记得住,记得物理规律,也记得空间里发生过什么。

Genie4靠海量无标签视频预训练,再拿少量动作轨迹微调,硬是把单次连贯世界撑到了约两分钟。这两分钟,就是分水岭。

三、后台蹲着三位"导演"

光靠像素预测,撑不了这么长的局。谷歌这次端出的是一套"混合世界模型"架构,三个Gemini在后台轮流值班。

Gemini3.8Flash像个总导演,实时盯着画面,一边确认这一步做没做完,一边发下一步指令。你中途改戏也没关系,它当场给你重排。有一段近景魔术,玩家每关一次箱门、挥一次魔术棒,右上角的确认框就跳一下,孔雀变橘猫、橘猫变收音机,一环扣一环。

Gemini4Argon干的是更重的活。你一句"跟对面的男孩下跳棋,走一步红棋",它瞬间拆出22步毫米级的动作剧本,实时注入生成流,指挥旁边的Apollo机器人捏棋、走子、对弈。

连工业级的UR5六轴机械臂也进了实验室,夹着移液管往微孔板里滴液体;你把目标挪走,它也能当场重算策略,按新位置抓取。

这层推理,以前的世界模型没有。它让模拟从"看起来像真的"往"逻辑上站得住"迈了一大步。

四、瞄准的,其实是机器人

看热闹的人盯着电影级的画面,看门道的人盯的是机器人训练场。

真实世界里的机器人没那么多试错机会撞一次,可能就是钱和命。可在Genie4里,你能让机械臂在虚拟空间里反复捏棋、抓移液管、下跳棋,摔坏了重来,穷尽万千种可能,成本近乎为零。谷歌这套布局明显奔着物理AI去,把现实世界的物理规律搬进虚拟环境,先练熟,再落地。

对开发者,谷歌也已经松口:Genie4计划进入GeminiAPI和GoogleAIStudio,研究预览版正在内测,GoogleAIUltra用户可以去申请waitinglist。

那个让人反复琢磨的命题又往前挪了一步:真正的AGI,恐怕不会只活在对话框里。等AI能在自己造的世界里反反复复试错,它推开现实大门的那一天,大概比我们想的要近。