能创造“照片级真实”世界和人物了！还能语音对话、交互

你推开一扇门，看见22岁的自己。

刚大学毕业，穿着那件洗得有点松的旧T恤，站在校园的树荫前，眼神里一半是紧张，一半是天不怕地不怕的傲气。

你走过去，在他身边坐下，跟他聊了聊这些年。聊你当年担心得要死、后来发现根本没发生的事，聊你那时压根没料到会走到的今天。

这个像电影一样的桥段，出自谷歌DeepMind一个叫霍林斯基的研究员。他跟刚大学毕业的自己聊了半天，最后还笑着说，那时候挺天真的，但好像也没怎么变。

虽然是虚拟人物，但特别真实、自然，仔细看，甚至能看到他的呼吸起伏。

这段跨时空的对话，来自谷歌DeepMind前几天发布的新一代世界模型「Genie 4」。

如果你对世界模型不陌生，从上面这段就能看出Genie 4最大的两个创新点：照片级真实感、实时对话。

所有世界模型都能生成一个正在运转的世界，你可以走进去，用键盘控制方向和镜头。有的还能能一句话改变任何元素，有的可以实时推演世界的发展。

这些Genie 4都能做到，而“与世界中的角色对话”，只有Genie 4行。

世界里面的角色，会根据你正在做的事、说的话，实时接话、做出反应。而且声音和画面是同一个模型同步算出来的，不是后期配的。

我们看看谷歌官方提供的case。

下面是X上先拿到内测的网友们的case。

这个是沃顿商学院的教授莫利克做的，他是AI圈出了名的体验派。

他就输入了一句“一座新哥特式野兽派的城市，里面住着机器人和马”。不到一分钟，城市出来了。阴沉的石头街道，煤气路灯，地面格栅里往外冒蒸汽，一匹马和机器人走过。

接着来一句“加一条龙，再来一只友好的水獭”。龙和水獭，实时就出现在了城里。

他还玩了个更离谱的，让整个办公室的电脑、墙壁都在跑一款叫DOOM的老游戏，还让一个恶魔同事拿着机枪，说要给他发奖金。

镜头先拉近又拉远。可以看到房间的物体都没有崩，但一致性有点问题，比如左侧的桌面。

所以说，当前世界模型的整体效果已经很不错了，但很多细节仍有不小的改进空间。

这个来自a16z的合伙人贾斯汀·摩尔。她在沉船里探索，里面有发光的宝石、电鳗和金币。

注意看光照细节，真实吧。这就是实时重算全局光照。

说人话就是，光源一变，整个场景里所有东西的明暗、反光、阴影，都跟着重新算，而且算得符合物理规律。这在以前是游戏引擎和专业渲染才干得了的活。

这也说明Genie 4的世界确实是计算出来的，光、物体、空间都有一套自洽的内部逻辑，这才有资格叫世界模型，而不是一张会动的壁纸。

贾斯汀还玩了个出圈的梗。

她造了一辆Waymo自动驾驶车，开在被洪水淹了的旧金山街头，远处还有巨型怪兽从水里拱出来，街边的楼爆炸倒塌。她给这个作品起名GTA Waymo，调侃说，GTA 6还没来，GTA Waymo先到了。

玩笑背后，其实是真实的业务。

Waymo今年2月就已经用上一代Genie做了自家仿真模型。为什么？因为洪水淹城、怪兽出没这种极端到离谱的场景，恰恰是自动驾驶最需要、但现实里永远采不到的数据。

在Genie 4里，这种场景想要多少有多少，洪水、暴雪、地震、各种乱入的物体，无限生成。这是它给自动驾驶、给机器人最实在的价值，一个永远开门、永远能重来的训练场。

不过话又说回来，这里的穿模也不少。

这样的数据如果直接拿来训练，后果不堪设想。

有一个Case值得单独聊聊，它给了我一点点震撼。

DeepMind的研究总监库卡尼，让Genie 4实时模拟了一款叫Blender的3D建模软件。

你在画面里看到的软件界面，全是假的。旋转的头像、可以切换的线框模式、密密麻麻的侧边工具栏，每一格都是模型当场生成的，跟真软件一模一样。

这意味着世界模型不只能模拟游戏和风景，它连软件、连工作界面都能模拟。

当然，目前还只是模拟最基础的功能，但这给我们的想象力撕开了一个口子：未来，为什么不能在世界模型里，直接做软件呢？

如果可以，那软件操作将不是一维线性点击逻辑和二维平面展示，将变成三维全方位操作。现在是在纸上画一个秋千，而未来是在花园里动手搭一个秋千，尽管这个花园是虚拟的。

用大白话简单聊聊Genie 4的技术架构。

Genie 4不是一个模型在战斗，背后是Gemini系列在配合。

Gemini Omni负责把世界的样子锚定在现实上，让生成的东西看起来、动起来都符合真实世界。

Gemini 3.8 Flash最像一个片场监工，实时盯着画面，把你要做的事拆成一步步，检查每一步有没有做到，做歪了就纠正，世界变了就改计划。

Gemini 4 Argon负责把复杂任务拆成具体动作。

谷歌管这个思路叫「混合世界模型」。

你可以这么理解，Gemini是脑子里的逻辑和规划，Genie是眼睛看到的、手能摸到的现实。一个负责想清楚，一个负责画出来，两边实时对齐。

好，下面唠点深度的、有点烧脑的话题：当世界能被无限生成，现实还剩什么？

我们一步步往下推。

世界模型的底层，其实是一门压缩的手艺。

你回头看人类文明，会发现一条很隐秘的线。语言把漫长的经验压缩成几句话，数字把一堆零散的物体压缩成符号，地图把整片大地压缩进一张纸，物理公式把宇宙运行的规律压缩成一行等式。

人理解世界，靠的从来不是把世界整个搬进脑子，而是把它压缩成一个能随手调用的模型。

Genie这类东西，是这条线上走到今天的产物。它压缩的是世界本身，光、声音、物体的反应、一件事接下来会怎么发生，全被压进一个可以实时展开的东西里。

顺着往下想。

过去，“如果当初走了另一条路会怎样”，这种问题只能存在于脑子里，或者写进小说。

而现在，你可以把那些没走的路，一条条生成出来看。换一个城市，换一个决定，换一种天气，换一个人走进来。

可能性第一次被批量生产，变成了随手可得的日用品。

这听起来是纯粹的自由。但当任何一种可能性都能被无限供应，可能性本身就贬值了。

真正稀缺的，不再是“再造一个世界”，而是“你相信哪一个、愿意为哪一个付出”。

这是我最想讲的一点。

你有没有想过，现实为什么是现实，而不是一场更逼真的模拟？

差别不在清晰度。再往后走几年、十几年，模拟的画面、声音、触感，完全可能骗过你的感官。差别在一个特别朴素的地方：现实里的事，发生了就收不回。

这让我想到这几天看的电影《年会不能停2》，里面的刘奔和马杰，每次辞职都会进入“无限流”循环，于是他们每次循环积累升职经验。尽管升到很高的职位，可最后无限流失效了，刘奔慌了，因为他只会试错。

这种不可撤销，这种每做一个选择都要付的真实代价，恰恰是现实的重量所在。

游戏里你通关一百次，那种爽很轻，因为你知道能读档。现实里你做成一件事，那种踏实很重，因为你知道它只有一次，搞砸了真的会疼。

所以我反而觉得，世界模型最大的价值，不是替代现实，是逼我们重新看清现实为什么珍贵。

再往深一层，这关系到我们自己的脑子。

生物智能的核心，其实也是一种“在脑子里预演世界”的能力。

你伸手接一个东西之前，脑子已经预判了它会落在哪；你说一句话之前，已经在心里模拟了对方可能的反应。人能在复杂世界里活下来，靠的就是这套内置的世界模型。

而现在，我们开始把这套预演，交给外部的模型。

这本身没毛病，工具一直都在替我们省力。但有个值得警惕的细节，已经在别的地方发生过。

导航软件普及之后，很多人认路的能力明显退化了，离了屏幕，连自己住了多年的城市都觉得陌生。不是路变了，是我们脑子里那张空间地图，被外包之后慢慢萎缩了。

预演世界的能力，也可能这样。

具体的活、重复的推演、海量的试错，大大方方交给工具，这是它的长项。但有三样，我建议你死死留在自己身上：对现实的直接感知，独立判断的能力，以及为结果负责的勇气。

不管你在哪个行业，这波浪潮真正改变的，其实是一个很古老的分工：机器负责把世界的可能性尽可能展开，人负责在其中做出选择，并承担选择的重量。

未来会有越来越多逼真的世界，在你面前铺开。它们会越来越懂你，越来越讨好你，越来越让你舒服。

但要记得，舒服的世界是用来体验的，不完美的现实才是用来生活的。

世界可以生成，人生不能。

你想要创造什么样的世界？在评论区一起聊聊吧～

如果你有任何看法，欢迎在评论区一起讨论 💬