GTA 6还没来，但老外已经用谷歌新模型开上车了 - 开云体育

视频生成模型已经让人感到不过瘾了。

设想一下，你正骑在一条黑龙的背上，以140公里/小时的速度穿越山谷，翅膀扇动的声音和呼啸的风声清晰可闻。

但这并非一段无法更改的影像。你可以切换视角，或中途输入指令，让场景产生变化。

觉得光看风景有些乏味，便在键盘上敲出“城堡发射火球和箭”。

按下回车键后没几秒，巨大的火球就这样飞了出来，箭矢也嗖嗖地射出。

两分钟的画面，镜头一次未剪，全程依靠人操作，AI同步生成。

这，就是Genie 4的能力。

昨天凌晨，Google DeepMind发布了新一代世界模型Genie 4。看了几个官方演示后，我简直不敢相信距离“史密斯吃面条”才过去了三年。

反正海外网络现在已经沸腾了。谷歌CEO劈柴第一时间下场造势，称Genie 4为“最逼真、最具互动性的世界模型”。

不少人跟世超想法一致：每天一睁眼，AI又再次进化了。还有网友直言“游戏引擎已死，世界模型万岁”。

不过，Genie 4目前只向一小部分人开放了测试。除了官方演示，实际体验基本都集中在X平台上了。

为什么大家这次反应这么大？

如果你去对比一下去年8月发布的上一代Genie 3，或许就能明白了。

Genie 4单次世界的连贯时长，从上一代的1分钟延长到了2分钟，但这并非最关键的变化。

各位注意到没，前面黑龙那条视频是带有声音的，而且不只是风声、爆炸声这类环境音，还有人说话的声音。

这也是与上一代明显不同的地方。Genie 4是谷歌第一个原生支持音视频同步生成的实时世界模型，声音都是模型根据画面实时计算出来的。

另一个比较重要的升级，是我们能够实时更改世界。

可能有记性好的读者会问，上一代Genie 3不是已经支持“可提示的世界事件”了吗？

确实，在Genie 3的官方演示里，你在大草原上散步时，也可以通过文字向画面中加入一个骑马的人或热气球，但当时的效果比较简单。

而Genie 4更加言出法随：可以更换天气、移动镜头，而且生成的东西与周围场景是相互配合的。

像官方那个一对情侣骑摩托车的演示，测试的人在输入框里连续敲下“背景发生爆炸”和“毁灭世界的巨型外星触手”。

下一秒镜头一转，远处突然发生爆炸，外星人的触手在到处破坏。

这不比在大草原上看几个热气球复杂得多吗？

不过，想要处理更复杂的变化，光靠Genie 4自己其实不够。这次多亏了Gemini的配合。

按照DeepMind的说法，这叫Hybrid World Models（混合世界模型）。

简单来说，Genie 4负责将画面、声音实时生成出来，Gemini则负责在背后监控，让这个世界按照一定的逻辑发展。

比如你突然下达一条指令，Gemini会结合当前场景，判断该如何调整。

像Gemini Omni主要负责让生成的世界更符合现实，包括场景长什么样，里面的人和物体应该怎么动。

而Gemini 3.8 Flash则负责更复杂的任务。它会一边观察Genie 4实时生成的画面，将任务拆解成一系列步骤，一边查看生成的画面是否符合预期。如果中途有变化，它会及时调整。

除了能处理更复杂的任务，Genie 4这次在物理方面也有不小的进步。

像空气动力学、物体碰撞这些现实世界里常见的物理场景，它能模拟出更逼真的效果。

为了证明Genie 4真的懂物理，官方专门放出了慢动作测试：一座大理石半身像砸向台上的西瓜，“嘭”的一声，西瓜瞬间被砸得稀烂，瓜瓤和汁水四处飞溅。

一句话总结就是：这次Genie 4不仅生成的画面更逼真了，还能实时生成环境音、人物对话，让你控制画面的改变。

不过，根据我们对官方演示的观察，人物说话的AI味还是挺浓的，面部表情也不是很自然。

真不是世超故意找茬，外国网友早就拿着放大镜在挑毛病了。

砸西瓜那个演示中，有人指出按照正常的物理规律，雕像砸下去后应该会翻倒，但视频里并没有。还有日本乡村火车站那个演示中，列车员说的是英语。

只能说，画面看着挺像回事，但有些细节还是经不起推敲。

包括官方也承认，现在还比较早期。模型运行的时间一长，或者你频繁转动视角、修改指令，场景里的物体和细节就可能发生漂移。

但也不能否认，Genie 4确实有很多应用前景。

就比如游戏开发。在X平台上，有拿到内测资格的用户生成了一个类似GTA的开放世界，还给自己的作品起了个名字叫“GTA Waymo”。此外，开云体育也关注到这一技术在游戏领域的潜力。

还有拍电影、电视剧，也可以先在虚拟世界里看看镜头和人物走位应该怎么调整。

但相比游戏开发、影视制作，Genie 4在机器人训练上的潜力可能更值得关注。

为什么现在的机器人连叠个衣服、端个盘子都费劲？

除了现实环境太复杂，还有一个很实际的问题，就是训练数据不好收集。

机器人想学会怎么端盘子，很多时候得靠真人一遍遍示范，再把它每次怎么动、用了多大力这些数据记录下来。这不仅费钱费时间，收集到的数据还不一定能覆盖现实里的各种情况。

但Genie 4提供了另一种思路：先在虚拟世界里模拟各种情况。

这次谷歌和机器人公司Apptronik就联手试了一把，让Gemini 4 Argon和Genie 4配合，模拟机器人下西洋跳棋。

他们只给了一个很笼统的指令：“跟对面的男孩下西洋跳棋，走一步红棋”。

结果Argon把这一句话拆成了22个动作步骤给Genie 4渲染，指挥机器人低头、伸手、拿起红棋、抬臂、移动再落子。

要是这条路走得通，什么保姆机器人就真有盼头了。

反正吧，现在盯上世界模型的不只有谷歌一家。

就说这俩月，硅谷就因为世界模型热闹不少。Runway发布了能多人联机的GWM Worlds 2，AMD掏82亿美元收购李飞飞的World Labs，亚马逊也传出准备砸70亿美元拿下世界模型初创公司Decart。

模型的实际落地暂时是没影的，但照这个速度发展下去，过两年再冒出什么玩意儿，我都不觉得奇怪。

世超现在是越来越能理解秦始皇了：这么多好玩的东西，真想活到一百岁啊。