全文速览图
跑分第一，实战却不理想？Gemini 4 Argon 深度实测！一、全文速览图 就在前天，Gemini 4 Argon，终于全面开放了。阅读文章 >
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：[Google 重磅上线通用世界模型 Genie 3 - 此即未来。]
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。
当视频在手机上无法加载，可前往PC查看。
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，这个世界也会实时地响应你的互动。
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。
这条路线最大的优势，就是动态生成能力，世界可以随着你的每一个动作而发生变化，就像真正的造物主一样。
但它有个特别头疼的问题。
世界的一致性。
因为整个世界是在持续生成的，所以模型必须记住之前生成过什么，如果你刚才看到的是一个人穿着白色的背带裤，转过身再转回来，背带裤突然变成了蓝色，那这个世界就穿帮了。
而且，生成式世界的每一次运行都要持续消耗推理算力，时间一长，成本和稳定性都是问题，所以现在你很少能见到公开演示中，能够连续运行 10 分钟以上的生成式世界。
第二条是 3D 路线，也就是大家常说的高斯泼溅路线 ，最典型的代表，就是李飞飞的 World Labs。
World Labs 去年 11 月正式上线了 Marble，你给它一段文字、一张照片、一段视频，或者用方块搭一个粗略的布局，它就生成一个完整的 3D 世界，用高斯泼溅渲染出来，比如没渲染完的时候就是这样。
完整的长这样。
完整版大概两百万个高斯点，可以导出成高斯泼溅文件，也可以导出成普通的网格模型，能直接丢进 Unity、虚幻、Blender 里用，还能戴着 VR 设备进去逛。
这条路的长处，正好是视频路线的短处。因为你生成完的世界是实打实存在的，你回头一百次，它都还是那个样子。而且渲染便宜，一台头显就跑得动，还能导出，直接接进现在的游戏和影视管线。
它的短处，也正好是视频路线的长处，因为他们生成的世界是静态的，里面的所有角色都动不了，一些动画和特效都得导到引擎里再自己加。
所以这两条路，都各有各的问题。
不过现在，已经开始在合流了。
最典型的就是 World Labs 自己。今年 9 月 1 号，他们发了一个新模型叫 Atlas，官方管它叫全能世界模型。
它最出圈的一个演示是，用三台架在三脚架上的普通手机拍一段画面，Atlas 能把时间定住，从任意一个新角度重新渲染，就是类似《黑客帝国》里那种子弹时间。
要知道当年拍那个镜头，剧组是在演员周围架了一圈上百台相机，前几天 Tim 给 Vogue 做的子弹时间，也是用了 70 台 iPhone 18 Pro。
Atlas 的底层，是一个从零训练的多模态扩散 Transformer，能直接生成最长 1 分钟的 1440p 视频，还能从输入的视频里把空间和时间一起建模出来，每一帧都有明确的摄像机位置与方向约束，所以非常精准，同时还能输出点云和 3D 高斯泼溅，用的就是 Marble 那一套，他们也说，以后的新版 Marble 会由它来驱动。
而 Google 这次给出的，是另一种合流的办法。
视频路线除了记性差，还有一个更大的问题，就是即使强如 Genie 4，在长因果的表现上，还是比较一般。
所以他们想了一个办法，就是在生成的过程中，塞进一个 Gemini。
比如 Gemini 3.8 Flash，Google 叫它引导智能体，Genie 4 实时生成世界的时候，它一直看着画面，把目标拆成一步一步，再一帧帧检查每一步是不是真的完成了，你中途插手，或者世界自己变了，它就当场改计划。
Google 还展示了 Gemini 4 Argon 与 Genie 4 协同工作，模拟 Apptronik 的 Apollo 人形机器人下跳棋。
现在 Google 尝试的这套架构，相当于让 Gemini 在幕后持续观察、规划和引导，让 Genie 负责生成世界的视觉、声音以及动态变化。
一个负责理解目标、规划行为，另一个负责呈现这个世界，以及行动带来的结果，而新发生的事情，又会反过来影响下一步的规划。
我觉得，如果这套系统能够继续进步，最终带来的想象空间，真的会非常恐怖。
因为对游戏来说，特别是开放世界这块，你会发现，玩家对于自由的渴望，永远比开发者能够提前制作的内容更多。
哪怕今天最优秀的 3A 游戏，也很难彻底解决这个矛盾。
像《荒野大镖客 2》，整个世界已经做得非常细致了，但你在游戏里能触发哪些事件、跟 NPC 产生哪些互动，海量内容仍然需要 R 星提前设计。
《博德之门 3》这种以丰富选择闻名的游戏，也依然需要庞大的团队，提前设计各种剧情、任务和交互规则，导致最后工期紧张，甚至整个上城区直接没做出来。
现代大型 3A 游戏动辄开发数年，投入数亿美金，其中大量成本都花在场景、资产、动画和各种内容的制作上。
但世界模型，真的可能会慢慢改变这件事。
比如未来你在《上古卷轴》里探索，突然遇到一个 NPC，他告诉你家里的亲人失踪了，你接了这个任务，决定帮他寻找。
接下来，游戏可以根据原本的世界观、人物关系和任务规则，为你生成新的线索、场景和事件。
你在过程中做出的每一次选择，又会改变接下来的故事，而这一切，并不需要开发者提前把所有可能发生的剧情全部制作出来。
当然，我始终觉得，纯粹随机生成的游戏内容，大概率是不值得被消费也并不好玩的。
《博德之门 3》还有《塞尔达传说》之所以伟大，很大一部分原因就在于它们那套精妙的规则，以及不同规则组合以后产生的复杂互动。
所以，未来的游戏制作可能需要更加重视一件事。
那就是尽可能地去设计世界的规则，并让 AI 承担越来越多世界细节的生成工作。
规则才是王道，这也是为什么任天堂一直以来都是游戏之神的原因。
并且除了游戏之外，互动影游也是一个特别棒的场景。
影游其实跟游戏也类似，虽然成本低很多，但你几乎所有的分支，都需要提前拍摄。
选择越多，需要提前准备的内容就越多，所以今天的互动影游，实际上仍然是一套分支数量有限的故事系统。
但有了世界模型，那就真的不太一样了。
这是一种全新的可被用户消费的内容生产逻辑。
我们交付的不再只是一个已经完成的故事，未来，我们交付的，很有可能是一个能够不断发生故事的世界。
这实在是太有趣了。
玩家和观众，甚至可以逐渐变成故事的共同创作者。
这可能，会诞生一种真正介于游戏、电影和互动叙事之间的全新媒介。
这种兴奋的感觉，真的久违了。
我不知道距离真正的《头号玩家》，我们还需要多少年。
但我真的非常期待。
当有一天，我们终于可以亲手创造一个属于自己的世界，并且真正走进去的时候。
那种感觉，一定很爽。