Google DeepMind 发布具备音频功能和改进物理引擎的 Genie 4 世界模型

Google DeepMind 宣布发布 Genie 4，这是其 AI 世界模型的最新版。新模型相比前代 Genie 3 有了显著改进，包括原生音频生成、更逼真的物理模拟以及生成环境的连贯性增强。据 Google 称，这些更新旨在支持从机器人训练到创意原型设计等各种应用。

增强的真实感和物理效果

Genie 4 利用 Gemini 3.8 Flash 作为引导代理，以分解用户目标并实时评估每个输出帧。这种集成有助于用户在穿越不同环境时保持上下文。DeepMind 表示，该模型在模拟物理方面达到了新的真实感水平，特别是在空气动力学和碰撞方面。此外，模拟中的人物预计将表现出更自然的运动和对环境变化的反应，减少通常与 AI 生成角色相关的“恐怖谷”效应。

该模型还支持中途参数更改。用户可以使用自然语言提示更改天气条件、添加元素或调整摄像机角度，Gemini 将相应地引导模拟。这一过程类似于推理模型生成内部提示以优化输出的方式。

原生音频和更长的连贯性

Genie 4 的一个关键功能是增加了原生音频生成。这包括环境背景音以及能够在提示中指定音频元素的能力。DeepMind 承诺，该模型可以创建随着模拟变化而适应的交互式对话。这是 DeepMind 世界模型首次具备原生音频功能。

在持续时间方面，Genie 4 可以创建大约两分钟长的体验，比 Genie 3 的一分钟限制有所增加。然而，DeepMind 指出，世界模型在模型“忘记”初始上下文之前，只能保持几分钟的连贯性。该公司警告称，随着模拟运行时间的延长，细节和物体恒常性可能会随时间发生变化。

访问和定价

Genie 4 目前作为“研究预览”向一小群受信任的测试人员发布。Google 计划通过 Gemini API 和 AI Studio 向开发者开放访问权限，但这些服务的具体定价尚未公布。对于消费者，访问权限将分阶段推出，首先从 Google 最昂贵的 AI Ultra 计划开始，起价为每月 100 美元。Google 最终可能会将访问权限扩展到 AI Pro 和 AI Plus 计划。

消费者体验将通过 Project Genie 处理，该计划对使用施加了某些限制。目前，对早期访问感兴趣的用户可以加入等待名单。DeepMind 强调，世界模型仍然是活跃的研究领域，Genie 3 从未超出有限的 Project Genie 网页体验范围。

为何重要

Genie 4 的发布凸显了世界模型在开发通用人工智能（AGI）方面日益增长的重要性。通过为物理机器人创建无限的交互式训练环境以及为创意领域提供快速原型设计，这些模型为工业和艺术应用提供了新工具。音频的添加和改进的物理效果使这些模拟更接近现实世界的保真度，可能会加速其在游戏、电影预可视化和机器人技术领域的采用。

来源（英文）

• arstechnica.com: DeepMind's Genie 4 world model adds audio and more realistic people to simulations - Ars Technica
• theverge.com: Google’s next Genie AI model generates more realistic experiences | The Verge

本文由人工智能翻译自英文原文，并经过自动审核，确保与原文意思一致。来源已用英文核实。