关注我

GTA 6还没来，但老外已经用谷歌新模型开上车了

朋友们，现在视频生成模型已经显得不够令人惊叹了。

设想一下，你正骑在一头黑龙的脊背上，以每小时140公里的速度穿越山谷，翅膀扇动的声音和呼啸的风声都清晰可闻。

但这并非无法改变的静态画面，你可以切换视角，或中途输入指令，使场景随之变化。

若觉得光是欣赏风景有些乏味，只需在键盘上敲出“城堡发射火球和箭”。

按下回车键后，不过几秒钟，巨大的火球便飞射而出，箭矢也嗖嗖地射向四周。

长达两分钟的画面，镜头毫无剪辑，完全依靠人类操作，AI实时生成。

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，我简直不敢相信，距离史密斯吃面条仅仅过去了三年。

总之，海外网络已经沸腾，谷歌CEO劈柴第一时间下场带动节奏，将Genie 4称为“最逼真、最具互动性的世界模型”。

不少人与世超想法一致，每天醒来都发现AI又进化了，还有网友直言“游戏引擎已死，世界模型万岁”。

不过，Genie 4目前仅向一小部分人开放测试，除了官方演示，实测基本都集中在X平台上。

为什么大家这次反应如此强烈？

如果你去对比一下去年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，但这并非最关键之处。

大家注意到没有，前面黑龙那段视频是有声音的，而且不仅是风声、爆炸声这类环境音，还包括人说话的声音。

这也是与上一代明显不同之处，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。

另一个重要升级，是我们能够实时改变世界。

可能有记性好的朋友会问，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的官方演示中，当你在草原上漫步时，也可以通过文字向画面中添加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，更换天气、移动镜头，并且生成的内容与周围场景有互动。

像官方那个一对情侣骑摩托车的演示，测试者在输入框中连续敲下“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，外星人的触手四处破坏。

这不比在草原上看几个热气球复杂得多？

不过，要处理更复杂的变化，单靠Genie 4本身并不足够，这次多亏了Gemini的配合。

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

简单来说，Genie 4负责实时生成画面和声音，Gemini则负责在后台监控，确保这个世界按照一定逻辑发展。

比如，当你突然下达指令时，Gemini会结合当前场景，判断如何调整。

其中，Gemini Omni主要负责使生成的世界更符合现实，包括场景的外观以及其中人物和物体的运动方式。

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，将任务分解为一系列步骤，同时检查生成的画面是否符合预期，若中途有变化则及时调整。

除了能处理更复杂的任务，Genie 4在物理方面也有显著进步。

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

为了证明Genie 4真正理解物理，官方专门发布了慢动作测试：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。

总而言之，这次Genie 4不仅生成的画面更逼真，还能实时生成环境音、人物对话，并允许你控制画面的变化。

不过，根据我们对官方演示的观察，人物说话的AI味道依然较重，面部表情也不够自然。

真不是世超故意挑刺，外国网友早已拿着放大镜在找毛病。

砸西瓜的演示中，有人指出按照正常物理规律，雕像砸下去后应该会翻倒，但视频中并未出现。还有日本乡村火车站的演示中，列车员说的是英语。

只能说，画面看起来挺像那么回事，但某些细节仍经不起推敲。

包括官方也承认，目前还处于早期阶段，模型运行时间一长，或者频繁转动视角、修改指令，场景中的物体和细节就可能发生漂移。

但也不能否认，Genie 4确实有许多应用前景。

例如在游戏开发领域，在X平台上，有获得内测资格的用户生成了一个类似GTA的开放世界，并给自己的作品命名为“GTA Waymo”。通过开云官网入口，用户能够更便捷地体验这类创新应用。

还有拍摄电影、电视剧时，也可以先在虚拟世界中预览镜头和人物走位如何调整。

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

为什么现在的机器人连叠衣服、端盘子都这么困难？

除了现实环境复杂，还有一个实际问题是训练数据难以收集。

机器人想学会如何端盘子，很多时候需要靠真人一遍遍示范，再记录下每次动作和力度等数据。这不仅费时费力，收集到的数据还不一定能覆盖现实中的各种情况。

但Genie 4提供了另一种思路，先在虚拟世界中模拟各种情况。

这次谷歌与机器人公司Apptronik联手尝试，让Gemini 4 Argon和Genie 4配合，模拟机器人下西洋跳棋。

他们只给出了一个笼统的指令：“跟对面的男孩下西洋跳棋，走一步红棋。”

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

如果这条路走得通，那么保姆机器人就真有希望了。

总之，现在盯上世界模型的不只有谷歌一家。

就说这两个月，硅谷因世界模型热闹不少：Runway发布了支持多人联机的GWM Worlds 2，AMD以82亿美元收购了李飞飞的World Labs，亚马逊也传出准备砸70亿美元收购世界模型初创公司Decart。

模型的实际落地暂时还没影，但按这个速度发展下去，过两年再冒出什么新东西，我都不觉得奇怪。

世超现在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。。

本文来自微信公众号“差评X.PIN”，作者：西西，编辑：江江&面线，36氪经授权发布。