朋友们，视频生成模型现在已经不够刺激了。
想象一下，你骑在一条黑龙背上，以 140 公里/小时的速度在山谷里冲刺，翅膀的拍打声还有呼呼的风声，你听得清清楚楚。
但这不是一段没法儿更改的画面，你可以切换视角或者中途输入指令，让场景发生变化。
觉得光看风景有点无聊，用键盘敲出“城堡发射火球和箭”。
按下回车键没几秒，大火球就这么飞出来了，箭也嗖嗖往外射。
两分钟的画面，镜头一刀没剪，全靠人一边操作，AI 一边生成。
这，就是 Genie 4 的实力。
昨天凌晨，Google DeepMind 发布了新一代世界模型 Genie 4，看了几个官方 Demo，我都不敢相信现在距离史密斯吃面条居然才过去了三年。
反正外网现在已经炸锅了，谷歌 CEO 劈柴第一时间下场带节奏，把 Genie 4 称为“最逼真、最具互动性的世界模型”。
不少人跟世超一个想法，每天一睁眼，AI 又双叒进化了，还有网友直言“游戏引擎已死，世界模型万岁”。
就是吧，Genie 4 目前只向一小部分人开放了测试，除了官方 demo，实测基本都集中在 X 上了。
为啥大家这次的反应这么大？
你要是去对比一下去年 8 月发布的上一代 Genie 3，可能就明白了。
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，但这不是最关键的。
哥几个注意到没，前面黑龙那条视频是有声音的，而且不光是风声、爆炸声这种环境音，还有人说话的声音。
这也是明显区别上一代的地方，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算出来的。
另一个比较重要的升级，是咱们可以实时更改世界。
可能有记性好的差友会问，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，你在大草原上溜达的时候，也可以通过文字往画面里加个骑马的人或者热气球，但那时候的效果比较简单。
而 Genie 4 更加言出法随，换天气、移动镜头，而且刷出来的东西跟周围场景是有配合的。
像官方那个一对情侣骑摩托车的 demo，测试的人在输入框里连着敲下“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搞破坏。
这不比在大草原上看几个热气球要复杂得多？
不过想要处理更复杂的变化，光靠 Genie 4 自己其实不太够，这次多亏了 Gemini 打配合。
按照 DeepMind 的说法，这叫 Hybrid World Models（混合世界模型）。
简单来说，Genie 4 负责把画面、声音实时生成出来，Gemini 负责在背后盯着，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 会结合当前的场景，判断该怎么调整。
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，里面的人和东西应该怎么动。
Gemini 3.8 Flash 呢，则是负责更复杂的任务。它会一边观察 Genie 4 实时生成的画面，把任务拆解成一系列步骤，一边看生成的画面是不是符合预期，如果中途有啥变化它再及时调整。
除了能处理更复杂的任务，Genie 4这次在物理上也有不小的进步。
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，瓜瞬间被砸得稀烂，瓜瓤和汁水也跟着四处飞溅。
一句话总结就是，这次 Genie 4 不光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 demo 的观察，人物说话的 AI 味儿还是挺冲的，面部表情也不是很自然。
真不是世超故意找茬，人外国老哥早就拿着放大镜在挑毛病了。
砸西瓜那个 demo，有人指出按照正常的物理规律，雕像砸下去之后应该会翻倒，但视频里并没有。还有日本乡村火车站那个 demo，列车员说的是英语。
只能说，画面看着挺像那么回事儿，但有些细节还是经不起琢磨。
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 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”。
还有拍电影、电视剧，也可以先在虚拟世界里面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。
为啥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，就是训练数据不好搞。
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。不光费钱费时间，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。。
撰文：西西
编辑：江江&面线
美编：素描
图片、资料来源：
X、Google DeepMind
热门跟贴