谷歌公司今日预览了Genie 4，这是一款能够生成逼真三维环境的人工智能模型。
该算法是谷歌自2024年推出的一系列世界模型中的最新成员。与前代产品相比，Genie 4在渲染流畅动作和其他复杂细节方面表现更佳。此外，它还能生成配套音频，例如海浪拍打的声音。
谷歌DeepMind员工Raia Hadsell、Diego Rivas和Hang Qi在一篇博客文章中写道："最显著的飞跃在于Genie 4模拟人物的方式，它所创建的角色能够自然移动、对环境做出有机反应，并且可以实时进行交互式引导。"
用户可以通过向Genie 4提供自然语言描述来创建虚拟世界，描述他们希望渲染的内容。随后，他们可以在模拟环境中导航，并通过输入后续提示进行编辑。例如，用户可以要求Genie 4改变天气或添加更多物体。该模型可以在不降低虚拟世界照片级真实感和一致性的情况下完成此类编辑。
除了键盘控制外，Genie 4还提供自然语言交互界面，键盘控制可用于改变摄像机的位置和角度。
在底层技术上，Genie 4依靠谷歌的其他多个模型来提升输出质量。它依赖于Gemini Omni——这家搜索巨头于今年5月推出的视频生成器——来确保其生成的视觉素材逼真可信。Gemini 3.8 Flash是一款针对成本效益优化的推理模型，负责使模拟过程中的各个帧彼此保持一致。
Hadsell、Rivas和Qi写道："Gemini持续观察场景，将目标分解为一系列步骤，并审查传入的帧以追踪进度，验证每个步骤是否成功。随着世界的变化或用户的干预，Gemini会实时调整其计划。"
DeepMind目前正在研究如何将Genie 4应用于机器人领域。该项目将这一算法与Gemini 4 Argon（谷歌旗舰级推理优化大语言模型）相结合。
该项目的目标是让工程师能够使用高层级指令模拟机器人。例如，用户可以要求Argon生成一段合成影像，展示机械臂将两个汽车零件焊接在一起的过程。Argon可以将这个简短的请求转化为数十条高度详细、包含多个句子的Genie 4提示词，每条提示词描述焊接工作流程中的不同步骤。
增加提供给Genie 4的提示词数量和精确度可以提升渲染质量。而这种质量提升反过来又使该模型生成的机器人模拟更适用于AI训练目的。开发者通过向AI模型提供完成预期任务的视觉示例来训练其控制机器人。
谷歌目前正在与少数早期采用者一起测试Genie 4。该公司计划通过面向消费者的Google AI Ultra订阅服务、Gemini API以及Google AI Studio提供该模型。
