Google 推出前沿的 Genie 4 世界模型

Google LLC 今日预览了 Genie 4，这是一种能够生成逼真三维环境的人工智能模型。该算法是该公司 2024 年启动的世界模型系列中的最新成员。与前代相比，Genie 4 更擅长渲染流畅的动作及其他复杂细节。此外，它还能生成配套的 […]

Google LLC 今日预览了 Genie 4，这是一种能够生成逼真三维环境的人工智能模型。

该算法是这家公司自 2024 年推出的世界模型系列中的最新成员。与前代相比，Genie 4 更擅长渲染流畅的动作以及其他复杂细节。此外，它还能生成配套音频，例如海浪拍岸的声音。

"最引人注目的飞跃在于 Genie 4 模拟人物的方式：它能创造出动作自然、对环境做出有机反应、并可在实时中被交互式操控的角色，" Google DeepMind 成员 Raia Hadsell、Diego Rivas 和 Hang Qi 在一篇博客文章中写道。

用户只需向 Genie 4 提供一段关于想要渲染内容的自然语言描述，即可创建一个虚拟世界。随后，用户可以在模拟中漫游，并通过输入后续提示词进行编辑。例如，用户可以让 Genie 4 改变天气或添加更多物体。该模型进行此类编辑时，不会降低虚拟世界的照片级真实感或一致性。

除自然语言界面外，Genie 4 还支持键盘控制。键盘可用于改变摄像机的位置和角度。

在底层，Genie 4 借助其他几个 Google 模型来提升输出质量。它依赖 Gemini Omni——这家搜索巨头于 5 月推出的视频生成器——来确保其生成的视觉素材逼真；而针对成本效益优化的推理模型 Gemini 3.8 Flash，则保证模拟中各帧画面彼此一致。

"Gemini 持续观察场景，将目标拆解为一系列步骤，并审查传入的帧以跟踪进度、验证每个步骤是否成功，" Hadsell、Rivas 和 Qi 写道，"当世界发生变化或用户进行干预时，Gemini 会即时调整其计划。"

DeepMind 目前正在研究如何将 Genie 4 应用于机器人用例。该项目将该算法与 Gemini 4 Argon——Google 旗舰级、面向推理优化的大语言模型——相结合。

该项目的目标是让工程师能够用高层级指令来模拟机器人。例如，用户可以让 Argon 生成一段机械臂将两个汽车零部件焊接在一起的合成影像。Argon 能把这一简短请求转化为数十条高度详细、包含多个句子的 Genie 4 提示词，每条分别描述焊接流程中的一个不同步骤。

提供给 Genie 4 的提示词数量越多、越精确，渲染质量就越高。而质量提升反过来又使该模型的机器人模拟对 AI 训练更有用——开发者正是通过向 AI 模型提供如何完成其预期任务的视觉示例，来训练它们控制机器人。

Google 目前正在与少量早期采用者一起测试 Genie 4。该公司计划通过面向消费者的 Google AI Ultra 订阅、Gemini API 和 Google AI Studio 提供该模型。