Google 執行長 Sundar Pichai 在台灣時間 10 月 28 日凌晨於 X 上宣布 DeepMind 發表 Genie 4，「我們迄今最逼真、互動性最強的世界模型」，他列出四大亮點：即時操控動態環境（改事件、改鏡頭、改動作）、生成與世界同步的原生音訊（從環境聲到能即時對話的角色）、模擬照片級場景與真實物理、以及靠 Gemini 的推理能力讓多步事件更連貫。
與 Sora 這類生成一段影片的模型不同，世界模型（World Model）生成的是一個可以走進去的環境：不用預先算好場景、不用程式撰寫互動元素，模型在你探索的每一幀即時把世界「長」出來。官方模型頁形容 Genie 4 是「迄今互動性最強」的世界模型，用文字與圖片提示就能生成可以探索、塑形、互動的照片級世界。DeepMind 在官方部落格寫道：「理解並模擬世界，是打造通用人工智慧（AGI）的關鍵一環。」
Gemini 家族當骨架，3.8 Flash 當導演
官方技術說明指出，Genie 4 原生多模態：音樂、環境噪音、互動式對話與世界同時生成。模型建立在 Gemini 家族之上，Gemini Omni 負責讓模擬貼近真實世界的外觀與行為，其他 Gemini 模型提供維持場景連貫性所需的複雜推理。
最有意思的設計是「導演機制」：為了在即時生成中做到多步事件推理，Gemini 3.8 Flash 全程在迴路裡擔任引導 Agent。Genie 4 一邊生成世界，Gemini 一邊觀察場景、把目標拆成一連串步驟、逐幀檢查每個步驟是否完成；世界變化或使用者介入時，計畫立刻改寫。官方說這解鎖了可靠的因果關係、程序化行為與多步推理能力。
四大能力與實測示範
官方釋出的示範全部是「鍵盤走位＋文字提示即時導演」的真實操作錄影：
- 即時塑形世界：用自然語言改天氣、移動鏡頭、隨時加入新人物或物件，Gemini 會把提示詞語境化融入周遭場景；你沒下指令的空檔，它也持續監控並推進世界，讓場景自己演下去[2]
- 物理與人物：模擬空氣力學、碰撞等真實物理情境；官方自評最大的躍進在人物，角色動作自然、會對環境有機反應，而且能被即時引導
- 原生音訊：DeepMind 世界模型第一次內建聲音，背景環境聲與提示詞指定的音效全部由模型直接生成，示範影片裡的薩克斯風、風聲、火山隆隆聲都沒配樂，是「場景裡真實存在的聲音」
- 多步事件：示範包含 UR5 機械手臂拿滴管往培養盤滴液觸發微電火花、第一人稱魔法師在瓷器動物陳列室揮杖等複雜序列，還有一段 16mm 紀錄片質感的湖上薩克斯風手，提示詞連膠片顆粒與低對比都指定得一清二楚，官方定位之一是「讓 AI 系統在進真實世界前，先在模擬裡測試怎麼應對不同環境」，涵蓋機器人與 Agent 訓練場景
限制照實講：幾分鐘就「忘了世界長什麼樣」
難得的是，DeepMind 這回把限制寫得很坦白。Genie 4 在短時間內能維持連貫環境，但視覺細節與物件恆存（object permanence）會隨時間漂移，模擬跑越久、複雜提示改越多、場景中到處移動，漂移越明顯；複雜物理互動、即時音訊準確度、可讀文字的渲染、空間精度與長期一致性都還是進行中的研究。
安全面上，Genie 4 內建與其他 Google 模型一致的安全護欄，上線前經過內部嚴格安全評估以防生成有害內容，所有生成的影片與音訊都帶 SynthID 隱形數位浮水印；這次刻意先給「受信任測試者」收集回饋，再逐步擴大。
怎麼摸得到？
目前進度是研究預覽版（research preview）已開始發給受信任測試者。下一步開放順序：Google AI Ultra 訂閱者（方案月費 100 美元起，約新台幣 3,250 元）可在 Project Genie 裡使用，開發者與早期合作夥伴則透過 Gemini API 與 Google AI Studio 取得早期存取，API 定價尚未公布，官方已開出 Project Genie 的 Genie 4 候補名單。
值得參照的是前代的教訓：Genie 3 去年 8 月發表時轟動一時、甚至帶動遊戲類股跳水，但它始終沒走出 Project Genie 網頁版的限量體驗。這回 Genie 4 明顯把「開放節奏」提前寫進劇本：等候名單、API 早期存取、合作夥伴，一條龍鋪好了。
世界模型的競賽開打
把時間軸攤開：Genie 3（2025 年 8 月）證明互動式世界能生成，Genie 4 把原生音訊、真實人物動作與 Gemini 推理導演三件事一次補齊。影音生成模型的輸出是「一段片」，世界模型的輸出是「一個可以進去的地方」，前者拼畫質，後者拼連貫性與因果，這是兩條不同的賽道。DeepMind 明講目標是 AGI 的模擬層，順手給了兩個變現方向：機器人與 Agent 的訓練環境，以及創作者的互動娛樂。
對台灣讀者來說，最務實的觀察點有兩個。其一，遊戲圈的焦慮會再升溫，畢竟連物理與人物反應都被模組化生成，但限制清單也說明了「取代遊戲引擎」言之過早，物件恆存這關就沒過。其二，想上手的開發者現在就可以去排 Gemini API 的早期存取，因為這技術的成色取決於誰能做出第一個「非展示影片」的實用產品。
