简而言之
Genie 4 是 Google DeepMind 于 2026年10月27日发布的世界模型，可实时模拟交互式世界，在生成画面的同时生成音频和对话，并响应键盘控制和文本提示。它是面向受信任测试者的研究预览版，Google AI Ultra 订阅用户是首批预期的消费者用户。[1][2]
要点
- Google DeepMind 于 2026年10月27日发布 Genie 4，称其为首个原生生成音频的实时交互式世界模型。
- TechCrunch 报道 Genie 4 最长可保持场景一致 2 分钟，是 Genie 3 上限的两倍，而 DeepMind 自己的文章在所查阅的部分中没有给出该数字。
- Genie 4 是面向受信任测试者的研究预览版；DeepMind 计划向消费者和开发者发布，首批为 Google AI Ultra 订阅用户和 API 合作伙伴，截至 2026年11月3日未发现价格或全面上市日期。
- TechCrunch 报道，Genie 4 团队承认较长时间运行时细节和物体可能漂移，准确的音频和清晰可读的世界内文字仍未解决。
- Stanford HAI 指出，目前没有任何现成基准能让政策制定者充分判断世界模型是否适用于安全关键场景。
- 竞争对手路线各异：World Labs 的 Marble 构建持久的 3D 世界，Yann LeCun 的 AMI Labs 为基于 JEPA 的模型融资 10.3亿美元。
本页内容 14 个部分
Genie 4 是什么？
Genie 4 是 Google DeepMind 于 2026年10月27日发布的世界模型，专为实时交互式模拟而设计。用户通过标准键盘控制在生成的世界中移动 [1]，并可在其运行时用文本提示对其进行修改。[1][2]
Genie 是 DeepMind 生成交互式环境的模型系列。2025年8月5日发布的 Genie 3 是一个通用世界模型，其世界可以实时导航。[3] 随后 Google 把 Genie 3 放入 Project Genie，这是 2026年1月29日在 Google Labs 推出的网页应用。[4]
Genie 4 最显著的变化是声音。DeepMind 称该模型是原生多模态的：音乐、环境噪声和交互式对话与世界同时生成。[1][2] DeepMind 称它是其首个原生生成音频的实时世界模型。每个世界都带有其场景的环境音，角色之间的对话会根据用户输入和世界中的事件而调整。[1]
在 Google 的表述中，“世界模型”是什么意思？
Google 的 Project Genie 公告称，世界模型模拟环境的动态，预测环境如何演变以及动作如何影响环境。Google 把这与基于静态 3D 快照构建的可探索体验作了对比，因为 Genie 会在你移动时实时生成前方的路径。[4]
谁可以使用它？
Genie 4 是面向受信任测试者的研究预览版，DeepMind 称它是一个早期的实验性模型。[1][2] 下文关于获取方式的部分介绍了更大范围开放的已知情况。
AI 中的世界模型是什么？
世界模型是一种 AI 系统，它建立对环境的可运作表征，从而预测环境如何随动作而变化。这是 2026年7月27日 Stanford HAI 一份政策简报中的定义。[5] DeepMind 的说法与之相近：世界模型利用其对世界的理解来模拟世界的某些方面，使智能体能够预测环境将如何演变以及自己的行动将如何影响环境。[3] TechCrunch 报道了 DeepMind 把世界模型视为通往通用人工智能（AGI）的垫脚石的看法。[6]
这一想法从何而来？
Quanta Magazine 把它追溯到心理学家 Kenneth Craik 1943 年的专著，该书描述了心智携带着现实的“小规模模型”。Quanta 报道，Yann LeCun、Demis Hassabis 和 Yoshua Bengio 都认为世界模型对于更聪明、更安全的 AI 至关重要。[7]
为什么各实验室都想要它？
其吸引力在于，智能体可以在模拟中演练和规划，而不必在真实世界中进行。Stanford HAI 的简报指出了基础设施规划、危机应对和制造测试等用途。[5] DeepMind 曾在 Genie 3 的世界中测试其 SIMA 智能体，这是一种面向 3D 虚拟环境的通用智能体。[6]
对于什么算世界模型，已有共识吗？
没有。Quanta 报道称“没有人能就细节达成一致”：表征了什么、有多忠实、是学来的还是内置的，以及如何检测。[7] Stanford HAI 指出，世界模型最稀缺的输入是带有动作标签的交互数据，例如机器人轨迹和车队日志，这些数据无法从网络上抓取。[5]
Genie 4 是如何工作的？
DeepMind 的公告和媒体报道描述了主要的运作部分，如下所述。
什么控制着这个世界？
用户通过用于导航和镜头的标准键盘控制来操控。[1] 文本提示可在场景运行时改变场景，例如改变天气、移动镜头，或添加人物或物体。[1][2]
Gemini 模型发挥什么作用？
Genie 4 建立在 Gemini 系列的能力之上。DeepMind 表示，Gemini Omni 使模拟扎根于真实世界的外观和行为，其他 Gemini 模型则提供使模拟保持连贯的推理。[1] 在循环中，Gemini 3.8 Flash 充当引导智能体：它观察生成的场景，把目标分解为步骤，并检查传入的画面帧，以验证每一步是否成功。[1]
TechCrunch 把这种设计称为混合世界模型。按 TechCrunch 引述的 Google 研究总监 Tejas Kulkarni 的话，混合世界模型由 Gemini 编写代码和文本，而 Genie 在不同的抽象层次上模拟现实。[2] Kulkarni 对记者表示，混合世界模型将变得更加普遍。[2]
这一设计从何而来？
最初的 Genie 论文（arXiv，2024年2月23日，Bruce 等人，Google DeepMind）描述了一种生成式交互环境，在没有动作标签的情况下用未标注的互联网视频训练而成。它有 110亿 参数，被称为基础世界模型，由视频分词器、自回归动力学模型和潜在动作模型组成。[8]
2024年12月发布的 Genie 2 可把单张图像提示变成可玩的 3D 环境，能保持一致长达 1 分钟，多数示例持续 10-20 秒。[9] Genie 3 于 2025年8月推出，可根据文本提示实时生成世界，帧率为每秒 24 帧，分辨率为 720p。[3][6]
与 Genie 3 相比，Genie 4 有哪些新变化？
DeepMind 自己的文章支持其中三项变化，TechCrunch 还报道了第四项。[1][2]
- 声音和语音。TechCrunch 报道，Genie 4 在 Genie 3 的基础上增加了音频。DeepMind 表示它在生成世界的同时生成环境音、音乐和对话。[1][2]
- Gemini 在循环中。Gemini 模型在场景运行时进行规划和检查。[1]
- 运行中的文本引导。提示可在会话期间改变天气、镜头或物体。[1][2]
- 时长。TechCrunch 报道，Genie 4 可保持场景一致长达两分钟，是 Genie 3 上限的两倍。这一数字来自 TechCrunch，而非 DeepMind。[2]
为什么会话时长的数字不一致？
它们来自不同的来源和不同的产品。DeepMind 曾称 Genie 3 能保持“数分钟”的一致性，视觉记忆可回溯约 1 分钟。[3] 消费者原型 Project Genie 把生成时长限制在 60 秒。[4] DeepMind 的 Genie 4 文章在所查阅的部分中没有给出数字。[1] 仅凭文本很难把 TechCrunch 的“翻倍”与 DeepMind 对 Genie 3 的“数分钟”说法协调起来，因此应把两分钟视为 TechCrunch 报道的数字，而不是 DeepMind 的规格。[2][3]
下表按各来源自己的表述，并列了 Genie 系列的演进。
现在可以使用 Genie 4 吗？价格是多少？
截至 2026年11月3日，Genie 4 是面向受信任测试者的研究预览版。DeepMind 表示，在向消费者和开发者发布该模型之前会先收集反馈，首批对象是 Project Genie 中的 Google AI Ultra 订阅用户，以及 Gemini API 和 Google AI Studio 的早期访问合作伙伴。候补名单已开放。[1] TechCrunch 称，更大范围的推出预计在未来几周内进行。[2]
所查阅的资料中没有出现价格或全面上市日期。请查看 Google 官方页面了解最新条款。
Project Genie 推出时是什么样子？
Project Genie 于 2026年1月29日作为 Google Labs 中的实验性原型网页应用推出，由 Genie 3、Nano Banana Pro 和 Gemini 驱动。[4] 9to5Google 报道了相同的推出日期，以及 Genie 3 和 Nano Banana Pro 这些组成部分。[10] 它面向美国 18 岁以上的 Google AI Ultra 订阅用户开放，“将在适当时候扩展到更多地区”。[10] Google 自己的公告指出，它不向 Google AI Ultra for Business 用户开放。[4]
它的三项核心功能是用文本和图像绘制世界、探索世界以及重新混合世界。生成时长限制为 60 秒，Genie 3 的可提示世界事件未包含在该原型中。[4]
Genie 4 在伊朗可用吗？
所查阅的资料均未涉及伊朗，因此无法就伊朗的情况陈述任何事实。有来源依据的基线是：Project Genie 起初仅面向美国的 Ultra 订阅用户，而 DeepMind 把 Ultra 订阅用户列为 Genie 4 首批预期的消费者用户。[1][4][10] 伊朗的读者应查看 Google 官方的可用性和支付页面，不要轻信第三方关于获取方式的说法。
像 Genie 4 这样的世界模型可以用来做什么？
用途分为创意工作、智能体和机器人训练以及规划。
测试者在用 Genie 4 做什么？
DeepMind 表示，创意产业、新闻、教育、游戏和工程领域的受信任测试者正在试用 Genie 4，例如用于预可视化和创意构思，以及把档案照片变成模拟。[1] TechCrunch 的报道提到了电影原型制作、创意构思和分镜。[2]
世界模型如何帮助训练智能体和机器人？
其思路是给智能体一个可以低成本行动和试错的地方。DeepMind 曾在 Genie 3 的世界中测试其 SIMA 智能体的一个版本。在 TechCrunch 报道的一次媒体吹风会上，DeepMind 研究科学家 Jack Parker-Holder 表示，该模型“只接收来自智能体的动作”，随后智能体会看到围绕自己模拟出来的世界。[6]
对于 Genie 4，TechCrunch 描述了一项实验：Gemini 4 Argon 与 Gemini Robotics 配合，把一项任务分解为步骤，由 Genie 4 实时模拟。[2] DeepMind 的文章称，该演示模拟了 Apptronik 的 Apollo 人形机器人下跳棋。[1] 这展示的是在模拟中进行规划，而不是机器人在物理世界中执行任务。
政策研究者有何预期？
Stanford HAI 列举了基础设施规划、危机应对和制造测试等例子，并指出难以获得的机器人轨迹和车队日志是最稀缺的训练输入。[5]
Genie 4 有哪些前景和局限？
它提供了什么？
有哪些局限？
TechCrunch 报道，Genie 4 团队承认模拟运行得越久，细节和物体越可能漂移，并且团队尚未想出如何确保准确的音频和清晰可读的世界内文字。[2] 对于 Genie 3，TechCrunch 曾报道其动作范围有限，且难以对多个智能体之间的交互建模。[6]
有哪些治理方面的担忧？
Stanford HAI 指出，目前没有任何现成基准能让政策制定者充分判断世界模型能否用于安全关键场景。它还称世界模型是具有国家安全影响的两用技术。[5]
DeepMind 和 TechCrunch 都描述了仅限受信任测试者的预览版。[1][2] 由此可以合理推断，目前尚无对 Genie 4 的独立评估，不过两个来源都没有直接这样说。
世界模型与大语言模型是一回事吗？
不是，尽管两者有所重叠。Stanford HAI 按其应该做的事来定义世界模型：预测环境如何随动作而变化。[5] Quanta 的报道把它与大语言模型（LLM）作了对比，后者可能学到的是互不关联的捷径。[7]
LLM 已经包含世界模型了吗？
一些研究者把玩黑白棋等涌现能力视为内部世界模型的迹象。[7] Quanta 报道，哈佛大学和麻省理工学院的研究者训练了一个语言模型，它能给出近乎完美的曼哈顿路线，却没有学到连贯的街道地图。当 1% 的街道被随机封闭时，其表现急剧下滑。Quanta 称这类结果表明 LLM 学到的是“启发式规则的集合”。[7]
哪条路径能带来更好的世界模型？
Quanta 称，Google DeepMind 和 OpenAI 押注于足够多的多模态数据（如视频和 3D 模拟）会让世界模型在神经网络内部涌现。Meta 的 Yann LeCun 则认为需要一种新的非生成式架构。[7] LeCun 的方法 JEPA 学习真实世界数据的抽象表征，并在表征空间中进行预测，忽略不可预测的细节。这与渲染像素的生成式模型形成对比。[11]
Genie 4 走的是生成式路径，TechCrunch 报道团队承认细节和物体可能漂移。[2] Kulkarni 把混合方法描述为由 Gemini 编写代码和文本，而 Genie 在不同的抽象层次上模拟现实。[2]
还有谁在开发世界模型？
多家公司沿着不同路线推进世界模型。下表概括了各来源的报道。
AMI Labs
Yann LeCun 的 AMI Labs 以 35亿美元的投前估值融资 10.3亿美元，于 2026年3月9日宣布，用于开发基于 JEPA 的世界模型，JEPA 由 LeCun 于 2022 年提出。[12][11] 其 CEO Alexandre LeBrun 预测，“世界模型”将成为下一个流行词，每家公司都会自称世界模型以募集资金。他还表示，从理论走向商业应用可能需要数年时间。[12]
World Labs
由李飞飞联合创办的 World Labs 于 2025年11月12日正式推出 Marble。Marble 可根据文本、图像或短视频创建持久、可下载的 3D 世界，而不是像 Genie 那样即时生成画面帧。[13][14] TechCrunch 2026年3月9日关于 AMI Labs 的文章报道，World Labs 前一个月融资 10亿美元。[12]
Runway 与市场动向
TechCrunch 称，Genie 4 的发布时间比 Runway 发布其第二款世界模型 GWM Worlds 2 晚了几个月，后者包含音频生成。它还报道称，World Labs 正被 AMD 收购，Amazon 正洽谈收购 Decart，Rivian 收购了 Third Dimension。[2] 这些是 TechCrunch 的报道，所查阅的资料并未对其作独立确认。
Genie 4 还有哪些不确定之处？
仍有许多问题悬而未决，接下来可能的进展主要围绕获取方式和评估。
- 获取方式。DeepMind 计划在收集反馈后向消费者和开发者发布 Genie 4，TechCrunch 称是“未来几周内”，所查阅的资料中尚未公布价格或全面上市日期。[1][2]
- 独立证据。预览版仅限受信任测试者使用，因此关于质量的说法来自 DeepMind 和媒体报道。[1][2]
- 基准。Stanford HAI 指出，目前没有任何现成基准能让政策制定者充分判断世界模型能否用于安全关键场景。[5]
- 定义与架构。业界对什么算世界模型，以及像素生成还是抽象预测才是更好的路线，存在分歧。[7][11]
- 炒作。AMI 自己的 CEO 预计这个词会因融资需要而被严重滥用。[12]
接下来值得关注什么
最早的迹象将是 Project Genie 中面向 Google AI Ultra 的推出，以及通过 Gemini API 和 Google AI Studio 提供的早期访问。[1][2] 团队承认存在漂移、音频和世界内文字方面的问题。[2] 本指南认为，针对这些问题的独立测试，将表明混合世界模型能否在短会话之外站得住脚。Google 的 Tejas Kulkarni 预测混合模型会变得更加普遍，但这仍只是预测，而非定论。[2]
| 模型 | 发布时间 | 来源所述内容 |
|---|---|---|
| Genie（原始论文） | 2024年2月23日 | 在没有动作标签的情况下，用未标注的互联网视频训练的生成式交互环境；11B 参数。[8] |
| Genie 2 | 2024年12月 | 把单张图像提示变成可玩的 3D 世界；可保持一致长达 1 分钟，多数示例为 10-20 秒。[9] |
| Genie 3 | 2025年8月5日 | 根据文本实时生成世界，每秒 24 帧、720p；可保持数分钟的一致性；TechCrunch 称其为研究预览版。[3][6] |
| Project Genie（内置 Genie 3） | 2026年1月29日 | 面向美国 18 岁以上 Google AI Ultra 订阅用户的实验性 Google Labs 网页应用；生成时长限制为 60 秒。[4][10] |
| Genie 4 | 2026年10月27日 | 原生音频和对话，Gemini 模型在循环中；TechCrunch 报道一致性最长可达两分钟；面向受信任测试者的研究预览版。[1][2] |
常见错误
以为 Genie 4 已是可以订阅使用的公开产品。
正确做法: 先核对日期和状态。Genie 4 是面向受信任测试者的研究预览版。DeepMind 表示，在向消费者和开发者发布之前会先收集反馈，首批对象为 Google AI Ultra 订阅用户和早期访问合作伙伴。目前已开放候补名单，但截至 2026年11月3日，所查阅的资料中没有出现价格或全面上市日期。
反复宣称 Genie 4 是第一个带音频的世界模型。
正确做法: 应表述为“DeepMind 首个原生生成音频的实时世界模型”。TechCrunch 指出，Runway 数月前发布的 GWM Worlds 2 同样可以生成音频。
把来自不同产品和不同来源的时长数字混为一个说法。
正确做法: 每个数字都要标明各自的来源。TechCrunch 报道 Genie 4 最长可达两分钟，DeepMind 称 Genie 3 能保持“数分钟”的一致性，而 Project Genie 把生成时长限制在 60 秒。
把世界模型和大语言模型当成同一种东西。
正确做法: 应把世界模型理解为用于预测环境在动作发生后如何变化的系统。Quanta 报道了一些实验（例如曼哈顿导航测试），表明语言模型可能只学到了互不关联的启发式规则。
以为逼真的生成世界遵循真实物理规律，可以用于工程或安全决策。
正确做法: 应把它看作对外观和行为的模拟器。TechCrunch 报道，Genie 4 团队承认运行时间越长，细节和物体越可能漂移。Stanford HAI 指出，目前没有任何现成基准可用来判断世界模型能否用于安全关键场景。
把演示视频和公司说法当作经过独立验证的结果。
正确做法: 把 DeepMind 的说法与独立评估区分开。所查阅的资料描述的是仅限受信任测试者的预览版，因此外部验证很可能仍然缺位。
常见问题
Genie 4 是什么？
Genie 4 是 Google DeepMind 于 2026年10月27日发布的世界模型。它能实时模拟交互式世界，在生成画面的同时生成环境音和可随情境调整的角色对话，并接受键盘控制和文本提示，在运行过程中改变场景。目前它是面向受信任测试者的研究预览版。[1][2]
Genie 4 向公众开放了吗？
目前尚未全面开放。DeepMind 称 Genie 4 是面向受信任测试者的研究预览版，将先收集反馈，再向消费者和开发者发布，首批对象是 Project Genie 中的 Google AI Ultra 订阅用户，以及 Gemini API 和 Google AI Studio 的早期访问合作伙伴。候补名单已开放。TechCrunch 预计更大范围的推出将在未来几周内进行。[1][2]
Genie 4 要花多少钱？
截至 2026年11月3日，所查阅的资料中没有出现价格或全面上市日期。DeepMind 把 Google AI Ultra 订阅用户列为首批预期的消费者用户。此前由 Genie 3 驱动的网页应用 Project Genie 就是面向 Ultra 订阅用户推出的，因此 Ultra 看起来是可能的途径。请查看 Google 官方页面了解最新条款。[1][4]
Genie 4 与 Genie 3 有何不同？
TechCrunch 报道，Genie 4 在 Genie 3 的基础上增加了音频。DeepMind 介绍了环境音、音乐和随事件调整的对话，并把 Gemini 模型纳入循环，负责规划和检查。TechCrunch 还报道它能保持场景一致长达两分钟，是 Genie 3 上限的两倍；DeepMind 的文章在所查阅的部分中没有给出这一数字。[1][2]
世界模型和大语言模型是一回事吗？
不是。Quanta 报道的实验表明，语言模型可能学到的是“启发式规则的集合”，而不是连贯的世界模型。Stanford HAI 把世界模型定义为预测环境如何随动作变化的系统。TechCrunch 引述 Google 的 Tejas Kulkarni 对混合世界模型的描述：由 Gemini 编写代码和文本，由 Genie 模拟现实。[7][5][2]
Project Genie 是什么？
Project Genie 是 Google Labs 中的实验性原型网页应用，于 2026年1月29日推出，由 Genie 3、Nano Banana Pro 和 Gemini 驱动。[4] 它面向美国 18 岁及以上的 Google AI Ultra 订阅用户开放 [10]，用户可以绘制、探索和重新混合世界，生成时长限制为 60 秒。[4]
术语表
- 世界模型
- 世界模型是一种 AI 系统，它建立对环境的可运作表征，从而预测环境如何随动作而变化。
- Genie
- Genie 是 Google DeepMind 生成交互式环境的模型系列，从 2024 年的研究论文一直到 2026年10月的 Genie 4。
- Project Genie
- Project Genie 是 Google Labs 的原型网页应用，于 2026年1月29日推出，让美国的 Google AI Ultra 订阅用户创建并探索由 Genie 3 驱动的世界。
- 潜在动作模型
- 潜在动作模型是最初 Genie 中的一个组成部分，在没有动作标签的情况下学习视频帧之间发生了什么动作。
- 自回归模型
- 自回归模型逐步生成输出，每一步都依赖于之前的步骤。
- 混合世界模型
- 按 Google 的 Tejas Kulkarni 的描述，混合世界模型把编写代码和文本的语言模型（如 Gemini）与在不同抽象层次上模拟现实的模拟器（如 Genie）结合在一起。
- JEPA
- JEPA（联合嵌入预测架构）是 Yann LeCun 于 2022 年提出的方法，在抽象表征空间中进行预测，而不是渲染像素。
- 研究预览版
- 研究预览版是向受信任测试者等有限群体提供的早期版本，便于开发者在更大范围发布之前收集反馈。
来源
- Genie 4: A new generation of world simulation Google DeepMind · 2026-10-27
- Google's Genie 4 world model adds audio, more realistic worlds, and real-time steering TechCrunch · 2026-10-27
- Genie 3: A new frontier for world models Google DeepMind · 2025-08-05
- Project Genie: Experimenting with infinite, interactive worlds Google (The Keyword) · 2026-01-29
- The World Model and Spatial Intelligence Era: Governing AI Beyond Language Stanford Institute for Human-Centered AI (HAI) · 2026-07-27
- DeepMind thinks its new Genie 3 world model presents a stepping stone toward AGI TechCrunch · 2025-08-05
- 'World Models,' an Old Idea in AI, Mount a Comeback Quanta Magazine (Simons Foundation) · 2025-09-02
- Genie: Generative Interactive Environments (arXiv:2402.15391) arXiv (Google DeepMind authors: Bruce et al.) · 2024-02-23
- Genie 2: A large-scale foundation world model Google DeepMind · 2024-12-04
- Google rolling out 'Project Genie' to generate playable worlds 9to5Google · 2026-01-29
- Yann LeCun's AMI Secures $1B Seed to Develop AI World Models HPCwire (AIwire) · 2026-03-11
- Yann LeCun's AMI Labs raises $1.03B to build world models TechCrunch · 2026-03-09
- Marble: A Multimodal World Model World Labs · 2025-11-12
- Fei-Fei Li's World Labs unveils its world-generating AI model Fast Company
