谷歌DeepMind在周二发布了其最新的世界模型Genie 4，目前处于研究预览阶段。最新的模型生成了迄今为止最真实和互动的世界，允许用户在模拟过程中输入命令以更改场景。该模型还生成与模拟世界匹配的实时音频，包括音乐、环境噪音和互动对话。Genie 4的发布是在人工智能视频初创公司Runway发布其第二个世界模型GWM Worlds 2之后，后者是一个可玩模型，能够动态响应用户输入并包括音频生成。同时，世界模型行业也开始整合。李飞飞的World Labs正在被AMD收购，亚马逊正在与Decart进行收购谈判，而Rivian刚刚收购了Third Dimension，以将模拟能力内部化用于自动驾驶测试。Genie 4是谷歌在竞争激烈的领域中的最新举措。谷歌在一年多前发布了其前身Genie 3，作为研究预览。除了更加逼真并具备音频外，Genie 4还允许自由格式编辑，例如实时改变天气或相机角度，或添加新人物或物体。它可以保持一致的场景长达两分钟，是前身的两倍，并提供更好的物理效果和更人性化的角色。谷歌的AI模型Gemini也与Genie 4更加紧密集成，充当导演，规划步骤并检查帧，而Genie创建视觉效果。在与Gemini Robotics相关的研究实验中，Gemini 4 Argon模型将任务分解为步骤，Genie 4实时模拟这些步骤。该实验显示了一种可能的方式，以在真实世界发生之前测试机器人场景的模拟。“在未来，我们会越来越多地看到这些混合世界模型，在这些模型中，您将看到Gemini编写代码和文本，而Genie实时接受这些输入并在不同抽象级别上模拟现实，”谷歌研究总监Tejas Kulkarni在一次简报中说。与其他世界模型一样，商业用途的宣传案例包括游戏、互动学习和机器人技术。一个互动学习的推测例子是进入一幅历史场景的画作，并与画中的人物讨论所描绘的事件。但“受信测试者”——首先体验谷歌前沿产品的人——提出了一个可能的新用途：电影原型制作。“实时的特性在创造力空间中保持流状态的领域变得极其有用，”谷歌DeepMind工程师Diego Rivas在一次新闻简报中说。“例如，在概念阶段、在故事板阶段——无论何时您需要快速创造。”谷歌还提供了Veo，这是其AI视频生成模型，可以根据文本、图像或视频提示制作具有内置同步音频的高清剪辑——这是在电影制作人中越来越受欢迎的工具。Rivas补充说，用户最终可以依赖Gemini Omni，这是一种多模态大型语言模型，能够从图像、音频和文本生成视频，将这些原型转化为创意素材。虽然这些能力，他表示，仍然还有一段时间才会实现。在整个简报中，Rivas强调Genie 4仍处于早期阶段，目前尚不清楚最终的产品体验将是什么。团队还承认，Genie 4仍然存在缺陷：模拟时间越长，细节和对象可能会漂移，并且他们仍然没有完全找出如何确保音频准确以及任何世界内文本可读性的问题。Genie 4现在作为研究预览提供给受信测试者。在接下来的几周内，该模型将向Project Genie中的谷歌AI Ultra订阅者推出，Project Genie是谷歌从文本或图像提示生成互动世界的AI工具，并向Gemini API和谷歌AI工作室的早期访问合作伙伴推出。当您通过我们文章中的链接购买时，我们可能会获得少量佣金。这不会影响我们的编辑独立性。Rebecca Bellan是TechCrunch的高级记者，负责报道塑造人工智能的商业、政策和新兴趋势。她的作品还出现在《福布斯》、《彭博社》、《大西洋月刊》、《每日电讯报》等出版物上。您可以通过发送电子邮件至 [email protected] 或通过Signal上的加密消息（rebeccabellan.491）与Rebecca联系或验证联系。