北京时间十月二十八日，谷歌发布新一代世界模型Genie 4，称这是公司迄今为止最逼真、最具交互性的世界模型。

用户可以实时探索动态环境，看场景怎么响应、声音怎么呈现、里面的人怎么移动、反应和说话。

这是谷歌第一个能原生生成音频的实时世界模型。生成场景的同时，同步生成音乐、环境音和互动对话，人物能根据用户输入或场景中发生的事实时交谈。用户用自然语言改天气、移镜头、加人加物，模型会结合上下文调整提示词，让世界连贯地往下发展。

两年时间，AI连手都画不利索，现在能生成可玩的3D世界了。

一、这次变了什么

最直观的变化是三件事。

一是有了声音。音乐、环境音、对话和画面一起生成，不需要后期配音，节奏由模型自己定。

二是物理模拟更准。谷歌称新模型提升了对空气动力学、碰撞等物理现象的模拟效果，人物动作更自然，能对环境变化作出反应，也能接受用户的实时引导。

三是有人在做导演。支撑这些变化的是Genie与Gemini系列模型的协作：在Genie 4实时生成世界的过程中，Gemini 3.8 Flash扮演类似"导演"的角色，持续观察画面，把目标拆解成多个步骤，检查任务进展，随着世界变化或用户介入即时调整计划。

谷歌还展示了Gemini 4 Argon与Genie 4共同模拟人形机器人下跳棋的案例：Argon负责把任务拆成步骤，再通过文字指令引导Genie 4生成相应过程。

二、边界也很清楚

谷歌自己说得很实在：Genie 4仍处于研究预览阶段。在较短的交互过程中，模型能够维持环境连贯，但随着模拟时间延长、经过多轮复杂提示词修改，或用户在场景中持续移动，视觉细节和物体的持续存在状态仍可能发生变化或偏移。

复杂物理互动、空间准确性、实时音频准确性和长期一致性，仍然是待解决的问题。

三、引擎会变成什么

模型能生成可交互世界之后，游戏行业绕不开的问题来了：未来还需要游戏引擎吗？

Unity中国CEO张俊波的回答是不太相信"一句话生成游戏"。他的判断是，过去依赖几十个工种协作的游戏生产线确实会被AI改造，但游戏引擎会成为用户连接模型、资产、代码和发行流程的总调度台。

理由是：模型生成的更多是资产，是可体验的虚拟世界；而游戏是一项系统工程，不仅需要画面和场景，还需要玩法规则、数值系统、交互逻辑，并且能够持续迭代和长期运营。

—— 生成降低了试错的门槛，但产品的门槛在玩法、运营和长期一致性上，这三样还没被生成。

这个判断我认为站得住。生成技术解决的是"从无到有"，而游戏产品的成败在"从有到好"。前者是技术问题，后者是工业化问题：内容更新的节奏、玩家留存的数据、版本迭代的流程，这些是几十年积累出来的东西，不是模型一次生成能替代的。

四、眼下谁在用，怎么用

行业反馈里有两个方向很有意思。

一个是游戏开发者。他们在尝试用Genie 4把初步想法快速转成可探索的原型，在编写游戏引擎代码之前，先用自然语言测试视觉风格、材质效果和互动机制。有从业者调侃，游戏工作室正在开一场长会——因为要重新讨论工作流。

另一个是电影制作人。他们可以进入模拟场景，反复调整镜头、灯光、对话和动作，尝试不同版本。这相当于把分镜从纸面搬进了可交互的场景里。

两个方向的共同点是：先看效果，再决定投入。传统流程里，看到一版效果要等几周，现在当天就能看到个大概。这对创作节奏的改变，比技术指标本身更实在。

两年 ｜ 从画不出手到能生成可玩世界 ｜ 行业人士的对比

首个 ｜ 原生生成音频的实时世界模型 ｜ 谷歌Genie 4

3.8 ｜ 扮演"导演"角色的模型版本 ｜ Gemini Flash

五、往后看

谷歌表示这些功能是朝着开发安全虚拟环境迈出的一步，用于观察智能体和机器人如何在周围环境中导航。这条线比游戏更有想象空间——机器人的训练，需要大量的仿真环境，而仿真环境过去是最贵的成本之一。如果世界模型能把"搭一个模拟工厂"的成本降下来，具身智能的迭代速度会跟着变。

而且世界模型和游戏引擎并不完全隔离。行业认为，世界模型的产出物可以导入到游戏引擎成为素材，引擎负责把这些资产协同组织成产品。这种融合给两类技术提供了协作空间。

—————

世界模型真正改变的，不是游戏行业谁赚钱，而是谁有能力把"可玩"变成"好玩"。前者是生成的本事，后者是运营和工业化的本事，差着十万八千里。