谷歌Genie 4能边走边改世界，还给它配上了声音

以往看 AI 生成的视频，人只能老老实实坐在屏幕外头当观众：一段画面生成完，你就算冲着屏幕把键盘拍碎，里头的人也不会为你回一下头。Google DeepMind 在 2026 年 10 月 27 日拿出的 Genie 4 换了个规矩。在官方放出的湖面小平台演示里，一个男子站在那儿吹萨克斯，你可以直接敲普通键盘控制镜头在周围逛，湖水声、乐器声跟着你的位置变化。逛到一半要是觉得景致单调，中途打一行字，就能当场改掉天气，或者往画面里塞进新的人物和物品。

你敲一下键盘，它才往下算一秒

一段已经生成的 AI 视频像把胶片印出来，Genie 4 则像在你脚尖前头现铺地板。你下一步按哪个方向键、临时输入什么文字指令，直接决定它接下来生成什么内容。

更有意思的是声音。在官方示例里，环境声、背景音乐甚至互动对话，都是和画面一块儿原生生成的。在另一个官方演示里，重物从上头落下来砸中西瓜，物体碰撞的瞬间反应和动静直接由模型算出来。

Reddit 上那条三百多赞、八十多条回复的讨论帖里，不少人看着这种即时反馈开始畅想以后的游戏长什么样，也有人盯着演示挑声音和控制的毛病。如果你只是想看一段漂亮的风景片，过去的视频工具就够用了；Genie 4 让人兴奋的地方，是人临时改了主意，里头的世界能接着往下演。

两个模型搭伙：一个管出主意，一个管画布景

谷歌让规划模型和世界模拟协同处理这个场面。你让画面里多个人、变个天，还要让里头的东西按常理接茬，背后得有个懂逻辑的脑子在算账。

The Decoder 在报道里点出了这次更新的关键：把负责规划的模型和负责世界模拟的模型捏在了一块儿。按官方的说法，这套系统里是 Gemini 和 Genie 4 在搭班子干活——Gemini Omni 帮忙模拟物体的外观与行为，Gemini 家族的其他模型负责推理、让前后保持连贯，日常引导则交给 Gemini 3.8 Flash。你每给一个输入，Gemini 就在后台持续观察、把行动拆解开、检查生成的效果，再随手调整；Genie 4 则专心把这些安排画成眼前的场景。

官方用一段下西洋跳棋的演示来说明这种分工：画面里那台 Apptronik Apollo 机器人并没有真的在现实里挪棋子，整个场景都是生成出来的模拟画面。Gemini 4 Argon 负责在脑子里规划怎么走棋，Genie 4 负责把这个过程演出来。

好比拍戏，以前是让美工兼任导演，画着画着就忘了剧本；现在配了个专职场记在旁边盯着，逻辑才算勉强能接上。

能当互动草稿用，但走远了还是会“失忆”

看到这儿，估计有人已经在盘算什么时候能用一句话生成一部大作了。先别急着高兴，这笔账往细了算，它离真正的游戏还隔着好几道坎。

一个游戏之所以好玩，靠的是规则稳定，以及你把箱子放在客厅、去趟厨房回来箱子还在原地。Google DeepMind 在文档里把目前的短板交了底：短时间里它的连贯性还不错，但只要你做复杂又多次的编辑、让它长时间运行，或者控制镜头往远了走，画面就会出现细节和空间漂移。至于物体的持久保留、复杂的物理碰撞、实时音频的准确性，还有画面里的清晰文字，目前全在“仍需研究”的清单上。

受邀测试的创作者和教育者目前拿它干的事，倒是很实在：创作者用它把脑子里的点子快速变成能走进去试试的互动草稿，老师拿它做能让学生参与进来的概念演示。

对于想拿 AI 找灵感的创作者、做课件的老师，或者单纯想体验“边走边改场景”的普通用户来说，这种能即时互动的沙盘确实是个新鲜玩具；但如果你指望它现在就吐出一个规则严密、能玩上几个钟头的完整游戏，它还做不到。至于怎么试上，Reddit 评论区里已经有人在担心以后会不会搞成高价订阅制了。按官方现在的安排，这个研究预览版只对受信任的测试者（trusted testers）开放，接下来会先在 Project Genie 里向 Google AI Ultra 订阅用户，以及 Gemini API 和 AI Studio 的早期合作伙伴放开。想申请体验的人可以先去填一份官方候补表排队，具体哪天全面开放，谷歌还没给准话。