觀點網訊：近日，Alphabet旗下Google DeepMind發佈新一代世界模型Genie 4，邁向可實時探索與互動的虛擬環境。
新模型提升物理模擬真實感，亦是Genie系列首款支持原生音頻生成的實時世界模型，應用場景涵蓋遊戲開發、電影製作以至實體機械人訓練。
Genie 4允許使用者透過文字提示及標準鍵盤操作，實時引導並改變虛擬場景的發展。例如在模擬過程中，使用者可隨時輸入指令改變天氣、調整鏡頭角度，甚至加入新的人物或物體。
該模型的一大突破是加入原生音頻生成能力。模型在生成畫面的同時，能同步產生環境聲音及音樂。此外，虛擬角色亦能根據使用者的輸入指令或場景變化，實時動態生成互動對話與反應，有別於傳統遊戲非玩家角色主要依賴預設臺詞及行為邏輯。
為維持虛擬世界的連貫性，Google將Gemini系列模型與Genie 4深度整合。Gemini Omni負責令模擬的外觀與行為貼近真實世界，其他Gemini模型則提供維持連貫所需的推理。
在運作架構上，Gemini 3.8 Flash扮演類似“導演”的引導代理角色，負責持續觀察生成畫面、拆解任務步驟，並實時調整計劃；而Genie 4則專注於生成視覺與聲音的環境。
Google DeepMind研究主管Tejas Kulkarni於簡報會上指出，結合語言模型的結構化推理與世界模型的感官模擬，是混合世界模型的重要發展方向。他預期未來將有愈來愈多這類混合模型，在不同層次上模擬現實。
在實際應用層面，這項技術可作為電影創作者的草稿工具，或遊戲開發者的初期原型測試。Google DeepMind工程師Diego Rivas指出，對於需要保持創作流程的工作而言，實時生成功能在構思與分鏡階段顯得尤為重要。
同時，Google DeepMind亦展示了以Gemini 4 Argon配合Genie 4，模擬Apptronik的Apollo人形機械人進行西洋跳棋對弈的過程，讓AI系統在虛擬世界中預演步驟，展現其在機械人研發上的潛力。
儘管技術取得突破，DeepMind坦言Genie 4目前仍處於早期實驗階段。現時單次模擬時間僅能維持約兩分鐘，當運行時間拉長、經過多次複雜修改或在場景中不斷探索時，畫面細節及物件恆存性可能會出現偏移。
複雜的物理互動、實時音頻準確度、畫面文字渲染、空間準確度，以及長時間的一致性仍有待改善。Genie 4的世界只能維持連貫數分鐘，Gemini API定價亦尚未公佈。
目前，Genie 4僅以研究預覽形式向少數受信任測試者開放。Google計劃下一步將開放予Project Genie的Google AI Ultra訂閱用戶，以及Gemini API與Google AI Studio的早期合作伙伴使用，用戶可加入等候名單。
為保持透明度，所有由Genie 4生成的影片與音頻均會嵌入一般人無法察覺的“SynthID”隱形數碼水印，以識別其為AI生成內容。官方表示，開放預覽前已做過內部安全評估。