谷歌DeepMind发布Genie 4世界模型，原生生成音频并瞄准机器人仿真
谷歌DeepMind 10月27日通过博客发布实时交互世界模型Genie 4，可原生生成音频和会说话的角色，并由Gemini 3.8 Flash作为规划智能体引导场景。DeepMind展示了Gemini 4 Argon与Genie 4仿真Apptronik的Apollo人形机器人下跳棋，并把机器人和智能体训练环境列为主要用途。目前仅向受信任测试者开放研究预览，连贯交互约为数分钟。
谷歌DeepMind10月27日在博客中表示，新一代实时世界模型Genie 4已开始以研究预览形式向受信任测试者推出，下一步将开放给Project Genie中的Google AI Ultra订阅用户，以及Gemini API和Google AI Studio的早期合作伙伴。Genie 4以Gemini Omni为外观和行为基础，是Genie系列中首个原生生成音频的模型，还能生成会说话、会对用户输入作出反应的角色。
对机器人行业而言，关键在控制方式。Gemini 3.8 Flash作为引导智能体在回路中运行，观察Genie实时渲染的画面，把目标拆成步骤并核验每一步是否完成。演示中，Gemini 4 Argon把任务拆解后以文字字幕形式输入Genie 4，实时仿真Apptronik的Apollo人形机器人下跳棋；另一段提示让优傲机器人UR5机械臂用移液器滴加液体。DeepMind称这类世界可作为机器人和智能体的训练环境，并表示企业合作伙伴正在测试其场景生成能力。
博客也直言局限：会话越长或多次修改提示后，细节和物体恒存性会漂移，复杂物理交互、空间精度和长期一致性仍是研究课题。模型页面称可持续交互时间为几分钟。
MEKAWIRE背景：Genie 4发布次日，谷歌云即开放Gemini Robotics ER 2企业预览；两周前则推出Gemini 4 Argon for Robotics。谷歌由此同时握有推理模型、动作模型和生成式仿真器。在机器人训练用世界模型上，竞争者有英伟达Cosmos和World Labs，国内厂商也在加码仿真数据。几分钟后便会漂移的像素世界目前只能扩充场景多样性，尚不能取代MuJoCo或Isaac Sim等物理引擎。