今天（2026 年 10 月 28 日）一早，Hacker News 和 Product Hunt 的榜首撞了车——同一条被顶了上来：谷歌 DeepMind 把 Genie 4 放出来了。我盯着那几个演示看了一会儿。这回不一样。以前 AI 视频再惊艳，你也是隔着屏幕看；Genie 4 想让你直接“走进去”，用键盘走位、用一句话改天改地。对做视频、做游戏、做分镜的人，这条线一通，不少老活儿的干法就得推倒重想。

一句话定位

Genie 4 是谷歌 DeepMind 的新一代世界模型。喂它一张图，或者一句话，它就生成一个能实时交互、能走动、能对话的动态世界。老痛点摆在那儿：AI 视频再漂亮，也只是“看”的——你进不去、改不了、也控制不了里头的角色往哪走。Genie 4 要砸掉的，正是这堵“只能看不能玩”的墙。

核心能力 / 架构

它不是一个人在战斗，是挂在整个 Gemini 家族上的。Gemini Omni 负责把画面锚定在真实世界的样子和动作上；Gemini（演示里用的是 Gemini 4 Argon）负责推理，像个导演，把你的指令拆成步骤、盯着画面别跑偏。Genie 4 自己管“实时把这个世界渲染出来”。

四个硬升级，官方给得很干脆：

第一，实时塑形。模拟跑着的时候，你用自然语言就能改场景——换个天气、挪一下镜头、凭空塞个人或物件进去，Gemini 会顺着周围画面把你的提示词接住、适配。演示里，用户甚至拿一张参考图当“精确首帧”：一个穿棕色西装的中年男人在湖心漂浮平台上吹萨克斯，镜头自己在水上滑，他接着吹。

第二，原生音频。这是头一遭。音乐、环境音、互动对话，跟世界同步生成。DeepMind 明说，上面那些演示里的声音，全是 Genie 4 自己出的，不是后期配的。

第三，更真的画、更顺的动。物理表现、人物动作自然度都往前走了一大步。

第四，一致性。能稳住一段连续场景约两分钟，是 Genie 3 的两倍。而且在你的两次输入之间，Gemini 会一直盯着、推着场景往连贯的方向走，不让它散。

它还是原生多模态的。DeepMind 的说法很重：理解和模拟世界，是通往 AGI 的关键一环。Genie 4 把这件事往前推了一步——你丢一句指令进去，它就接着往下演：世界怎么反应、怎么出声、里头的人怎么动、怎么接你的话。这跟传统的“文生视频”根本不是一回事。文生视频是一次性吐一段不能动的片子；Genie 4 给的，是一座你能踹门进去逛的活世界。

对创作者来说，真正变天的是“可控”。过去你想让主角换个角度，得重新生成整段，概率还不一定对；现在你走着走着，顺口说一句“把镜头拉远”，世界就照办，前一秒的构图还在。这种“边走边改”的实时感，才是它最值钱的地方。

上手步骤

现在别指望自己本地装一个。Genie 4 是当地时间 10 月 27 日刚以“研究预览”放出的，先给一小批受信任的测试者。接下来几周，会开给两拨人：一是 Google AI Ultra 订阅用户，走 Project Genie；二是 Gemini API 和 Google AI Studio 的早鸟合作伙伴。普通用户此刻能做的，只有一件事——去 Project Genie 的候补名单排队。

我给真想上手的人两个实在建议：现在就把候补名单填了，同时把 Gemini API 的账号备好。等开放时，路径大概率是“在 Studio 里调 Genie 4 → 传一张参考图当首帧 → 用键盘做标准走位 + 文字实时改场景”。顺手说一句：演示里最稳的效果，靠的都是一张主体明确、构图干净的参考图。真想上来就出彩，现在就该攒一批这样的图，别等开放了才现找。具体命令行、配额、费率，官方这会儿还没交底，这一块我老老实实标“待验”，不替它吹。

适用场景与边界

谁该盯死它？做游戏原型的、做分镜和影视预演的、搞机器人训练的。DeepMind 自己在演示里就让 Gemini 4 Argon 拆任务、Genie 4 实时模拟 Apptronik 的 Apollo 人形机器人下跳棋——这是“进真实世界之前，先在虚拟里跑一遍”的路子。测试者还点出一个新用法：影视原型，在构思和分镜阶段快速碰灵感，保住那股心流。工程师 Diego Rivas 说，当你需要在创意里保住心流状态时，实时性极其宝贵——任何需要快速碰灵感的时刻都算。

还能往哪儿使？自动驾驶仿真也算一个，先在虚拟世界里把长尾场景跑熟再上路；互动教育同理，历史场景、实验过程都能让人“站在里头看”。研究总监 Tejas Kulkarni 还抛了个更远的图景：以后的“混合世界模型”，会是 Gemini 负责写代码和文本，Genie 实时接收、在不同抽象层级上模拟现实——一个管想，一个管演。

谁先别碰？想今天就拿它出成片的，绕开。它还是研究预览，没开放通用订阅；而且官方自己认了账——模拟时间一长，细节和物体会“漂移”，也就是说，两分钟往后，墙可能糊、人可能变样。成本也没公布。它解决的是“能不能走进去”，不是“能不能当量产工具”。同赛道也不是它一家：今年 9 月 Runway 就发过第二版世界模型 GWM Worlds 2，也能动态生成可交互场景并带音频。牌桌已经坐满了人。

来源与延伸

- 谷歌 DeepMind 官方博客（一手信源，含全部演示视频）： 网页链接/- 澎湃新闻中文详述（Genie 3/4 对比、机器人下跳棋实验）：网页链接- 科学网转引澎湃（含研究总监 Tejas Kulkarni 谈“混合世界模型”）：网页链接

嘴替总结：以前 AI 视频是给你看个梦，Genie 4 是想让你自己走进梦里乱走——可这梦现在只给少数人开门，而且走久了会糊。