激动的心，颤抖的手。 Google的世界模型Genie 4，在我等了一年多以后，终于来了。 一年前的8月6号，Google的世界模型Genie 3发布，那天同时也是OpenAI久违的开源模型gpt-oss发布，那天早上6点发完gpt-oss后，躺在床上翻来覆去睡不着，脑子里全都是Genie 3的案例，最后干脆爬起来，又写了那一天的第二篇： 我真的很喜欢世界模型，这玩意，也是我过去几年最看好、最期待的AI技术方向之一。 因为作为一个将近20年的游戏玩家，以及这么多年的VR玩家，一个成熟的世界模型，在我心中，就像我们能控制的一场清明梦。 绚烂、多变、充满惊喜，一场可以永远不醒来的梦。 而现在，14个月过去了。 Google终于拿出了它的下一代世界模型，Genie 4。 这一次，真的又往前走了一大步。 所以这一篇，我也想跟大家好好聊聊Genie 4，聊聊它到底更新了什么，聊聊我心中和我认知的世界模型，还有世界模型，究竟会怎么改变游戏、互动还有影视。 先给大家看个官方演示。 一个第一人称视角，你骑在一头巨大的黑龙身上，抓紧缰绳，在群山和城堡之间高速穿梭，周围还有其他骑着巨龙的骑士，头顶是呼啸而过的天空，脚下是深不见底的山谷，你能听到巨龙拍打翅膀的轰鸣声，猛烈的高空风声，还有远处的火山和火焰声。 整个画面的真实感，以及骑龙飞行带来的那种速度感，真的已经超级棒了，这里注意，你会在画面的左下角看到WASD，右下角有个上下左右的箭头，如果是经常玩游戏的玩家肯定会非常熟悉，WASD对应的就是移动，右下角的箭头就是方向，跟游戏手柄或者是一些手游的双摇杆操作逻辑是一模一样的。而整个视频中你看到的绝大多数的变化，都是通过双摇杆直接实时控制的。 Genie 4这种世界模型，与我们熟悉的Seedance、可灵之类的视频生成产品，有着非常大的区别。 AI视频生成，主要负责把一段内容生成出来，但是视频生成完以后，它就被固定了，你就只能沿着它已经确定的时间线往下看。 而世界模型，要解决的则是互动问题。 就像当你走进这个世界，并且开始改变它的时候，这个世界也会实时的响应你的互动。 你向左走，那世界要跟着变化；你推开一扇门，门后应该有合理的空间；你踢翻一把椅子，椅子应该倒下，然后你离开房间，过了一会儿再回来，椅子应该还在那里，除非有人把它偷了，但是谁没事会想偷椅子你说的对吧。 而这一切，都需要随着用户的操作，持续、实时地发生。 说得非常通俗一点，就是让AI从会拍视频，进化到会创造一个能够持续运行、并且能响应你所有操作和指令的世界。 这也是为什么我一直觉得，在我的心目中，世界模型的想象空间，要远远大于传统的AI视频。 而这次Genie 4，有几个特别明显的进步。 首先是画质、运动和物理交互。 相比去年的Genie 3，这次官方展示的场景，已经有了更强的照片级真实感。 人物的动作更加自然，物体碰撞、空气动力学等复杂的物理现象，也有了更好的模拟能力。 从这两个Case中，应该可见一斑。 其次是世界的一致性和实时控制。 你可以通过键盘控制角色或镜头，也可以在世界运行过程中，直接用自然语言修改天气、加入新的物体、改变事件。 它会根据当前场景，继续生成接下来的变化，这一次因为整体模型的进步，效果变得非常的棒，延迟也很低。 再然后，就是我特别喜欢的原生音频。 这一次，Genie 4终于可以在生成世界的同时，直接生成与世界同步的环境音、音乐性声音，以及人物之间的交互式对话。 这其实也是一个很大的跨越。 就像我们在玩比如《荒野大镖客2》这样的强调沉浸感的游戏的时候，为什么会觉得那个世界如此真实？ 因为除了画面和游戏机制之外，还有大量精细设计的声音。比如马蹄踩在不同地面上的声音，酒馆里的人声，树林中的风声，以及远处的枪声，这些东西共同组成了我们对于一个世界的感知。 如果一个AI生成的世界有着无比逼真的画面，但没有任何声音，那种沉浸感其实很难真正建立起来。 而现在，Genie 4终于开始同时生成世界的视觉与听觉体验了。 甚至这个世界里的人物，还可以实时说话，并对你或者周围发生的事件作出反应。 我觉得这一点，对于未来的游戏和VR互动，意义重大。 相信大家看完这些case以后，对Genie 4这个世界模型，会有一些感知了，当然，我也知道很多朋友这时候也会问，这个世界模型，跟李飞飞之前做的世界模型，有啥区别啊？ 所以，正好说到这里，我也想顺便科普一下世界模型如今一个特别有意思的技术分野。 今天大家口中的世界模型，其实存在着两种很有代表性的技术路线。 一条是以Google Genie为代表的， 视频生成路线。 它的思路，是根据已经发生的画面、用户当前的操作，以及模型对世界的理解，不断预测并生成接下来的画面。 你往前走，它就生成往前走以后看到的世界，你转过身，它就需要生成身后的场景。 这条路线最