谷歌第四代精灵世界模型开放:720p实时生成、边玩边改,离实用还有多远#
作者:紫星 | 发布日期:2026 年 11 月 19 日 | 栏目:硬件与技术
2026 年 11 月 18 日,谷歌深度思维(Google DeepMind)宣布通过精灵计划(Project Genie),向符合条件的谷歌人工智能极致版(Google AI Ultra)订阅用户开放其最新世界模型第四代精灵(Genie 4)。(据媒体报道)该模型于 10 月发布,此前仅向可信测试者开放;科技共和(TechRepublic)称 10 月 27 日起部分测试者已作为研究预览使用,此次率先在美国地区的桌面端与安卓(Android)端放开,独立移动应用也将登陆苹果移动端(iOS)与安卓。(据媒体报道口径)
与聊天机器人或图像生成器不同,世界模型(world model)不输出成品视频或图片,而是在用户探索时逐帧实时生成场景,没有底层游戏引擎,也没有预先存储的三维地图,模型一边探索一边「发明」世界,并保持足够连贯、可供行走。(据技术媒体解读)这一根本差异,决定了它目前更像一个可交互的研究样品,而非可直接接入现有游戏制作管线的成品工具。
谷歌深度思维称第四代精灵是其迄今最真实、交互性最强的世界模型,原生多模态——同时处理视觉、物理与声音,而非后期拼加;渲染规格为 720p、最高每秒 24 帧。(据官方演示)更重要的是,它把「改世界」这件事搬到了会话进行中:用户可用自然语言实时改写正在运行的场景,无需重开一局。
与此同时,必须把预期压在合理区间。所有画质、物理与音频表现均来自谷歌自家演示与媒体转述,尚无第三方独立测试;物体漂移、复杂物理、语音与文字准确性仍是公开的短板。官方明确当前输出仍属研究级,适合原型与提案,不适合生产管线。(据厂商公告口径)本文从原理、交互、架构、规格口径、局限与应用六条线,拆解这次开放到底意味着什么。
配图说明:已登记的真实人工智能数据中心实物照,用于说明支撑此类实时生成模型所需的算力环境;非厂商演示画面,亦非概念插画。
一、世界模型不是游戏引擎:逐帧「发明」场景#
在拆解原理之前,先看清这条产品线走到今天的位置。精灵系列从二维环境起步,逐步跨入三维与连续实时探索,第四代并非凭空出现。(据媒体报道)
| 阶段 | 关键能力 | 来源性质 |
|---|---|---|
| 初代精灵(2024 年初) | 从 20 多万小时游戏录像学习,可将单张图片变成简单可玩的二维环境 | 据媒体报道 |
| 第二代精灵(2024 年晚些时候) | 进入三维空间,支持键盘与鼠标操控 | 据媒体报道 |
| 第三代精灵 | 迈向连续实时探索,单次会话早期仅 60 秒 | 据媒体报道 |
| 精灵计划(1 月) | 向美国成年极致版用户开放,早期会话仅 60 秒 | 据媒体报道 |
| 第四代精灵(10 月发布、11 月 18 日放开) | 原生音频、中途改写、多人模式、社区画廊 | 据媒体报道 |
理解第四代精灵,第一步是把它与传统游戏引擎区分开。传统引擎调用预先做好的三维模型、贴图与碰撞数据来渲染画面,世界是「存」在磁盘上的;而世界模型没有底层引擎,也没有存储的三维地图,画面是在用户每一步探索时由神经网络当场生成的。换句话说,玩家看到的街道、天空与角色,并不是某个人提前搭好的关卡,而是模型依据当前输入即时「编」出来的。
| 形态 | 输出方式 | 底层引擎/地图 | 典型代表 |
|---|---|---|---|
| 聊天机器人 | 文本逐字生成 | 无 | 通用大语言模型 |
| 图像生成器 | 一次性成图 | 无 | 文生图模型 |
| 传统游戏引擎 | 调用预置资源渲染 | 有(三维地图+碰撞) | 商业游戏引擎 |
| 世界模型(第四代精灵) | 逐帧实时生成可探索场景 | 无 | 精灵计划 |
这种设计带来两个直接结果。其一,场景理论上可以无限延伸,因为不存在「地图边缘」;其二,连贯性完全依赖模型的即时记忆能力,一旦探索时间拉长或视角剧烈变化,物体就可能漂移或改变。当前公开的渲染规格如下。
| 项目 | 参数 | 来源性质 |
|---|---|---|
| 渲染分辨率 | 720p | 据官方演示 |
| 最高帧率 | 每秒 24 帧 | 据官方演示 |
| 多模态 | 视觉、物理、声音原生同帧处理 | 厂商公告 |
| 场景连贯时长 | 约 1—2 分钟,另有「几分钟」与 3 分钟口径 | 不同来源口径不一 |
| 输入形式 | 自然语言提示与图片(含静态名画) | 据媒体报道 |
| 音频 | 原生生成,非后期配音 | 据官方演示 |
需要强调的是,720p 与每秒 24 帧均来自官方演示口径,并非第三方在真实设备上的独立实测;把它与成熟商业游戏的画质直接对标,并不公平,也缺乏依据。(据官方演示)
二、边玩边改:把「改世界」搬进会话进行中#
如果说上一代产品只是「能走动的画面」,那么第四代精灵最大的更新,是把改写权交到了玩家手里:在会话中途,用户可以用自然语言提示实时改写正在运行的世界,而无需重开一局。(据媒体报道)据技术媒体列举,可即时改动的方向包括:
- 改天气:把晴空草地变为暴雨场景,光照与氛围随提示切换;
- 加内容:向当前场景添加角色或物体;
- 移镜头:改变观察视角与机位走向;
- 转剧情:引导场景朝新的叙事方向发展。
支撑这种「边玩边改」的,是一套多模型协作架构,而不再是单一模型包打天下。
| 模型/组件 | 承担角色 | 来源性质 |
|---|---|---|
| 双子座全能版(Gemini Omni) | 提供真实世界参考,保持世界外观与行为一致 | 据技术媒体报道 |
| 双子座 3.8 闪速版(Gemini 3.8 Flash) | 扮演「导演」式智能体,监视当前帧、把大目标拆解成步骤、逐帧检查是否达成 | 据技术媒体报道 |
| 对话式智能体 | 把日常语言描述转成设定世界风格的起始图片与背景音乐,降低提示词门槛 | 据技术媒体报道 |
其中「导演」式智能体的设计尤其值得注意:它相当于在生成循环里加了一层人在回路式的监督,每一步都检查目标是否达成,这正是「中途改写」能够不破坏连贯性的关键。(据技术媒体报道)不过,这套架构的细节来自媒体转述,谷歌并未公开完整技术文档,因此相关判断应保留余地。
从游戏设计角度看,「边玩边改」改变了创作者与玩家的关系。传统开发流程里,修改关卡意味着回到编辑器、重新打包、再分发;而在生成式交互下,改动可以发生在体验发生的当下,创作者甚至能与观众一起现场塑造世界。(据媒体观察)这解释了为什么官方把虚拟展厅、培训模拟与营销演示列在首要位置——这些场景看重的正是「即时改风格」的能力,而不是长期稳定的世界规则。
三、第一次有声音的世界:原生音频同帧生成#
第四代精灵是精灵系列首个原生生成音频的模型。此前世界模型基本处于「无声」状态,声音依赖后期配音,实时性与画面匹配度都较差;而第四代精灵把环境声、音乐与角色对话放进同一次生成,与画面一同产出,并且会随场景变化而反应。(据媒体报道)
| 对比维度 | 以往世界模型 | 第四代精灵 |
|---|---|---|
| 声音来源 | 后期配音、单独叠加 | 与画面同一次原生生成 |
| 环境声 | 需手工匹配 | 森林风声、雨声、市场人群等随场景生成 |
| 音乐与对话 | 独立于画面 | 音乐、角色对话与画面同步产出 |
| 场景联动 | 弱 | 声音随场景变化实时反应 |
这项改进的意义不只在「有声音」本身。对游戏与影视预演而言,音画同步是沉浸感的基础;把音频纳入同一生成过程,意味着模型需要在生成画面的同时理解「这个场景应该听起来像什么」,这是原生多模态能力的直接体现。(据官方演示)但同样要提醒:所有音频表现均出自官方演示,尚无独立听感测试,实际质量与匹配度仍待验证。
进一步看,声音「随场景变化反应」这一点,比单纯的音画同步更关键。以往靠后期配音的方案里,玩家一旦改写场景——例如把晴天改成暴雨——配音往往跟不上变化,雨声与环境氛围会出现错位。而在原生音频架构下,声音是随每一帧画面一同重新生成的,理论上能与中途改写保持一致。(据官方演示)当然,这同样是基于官方演示的推论,真实表现仍需独立检验。
四、时长、订阅与开放范围:一组需要并列注明的口径#
这篇稿子最需要「并列注明」的,是时长与价格这两组互相打架的口径。它们各自存在多个版本,任何单一写法都会造成误导。
先看会话时长,不同来源给出的数字并不一致。
| 来源 | 时长口径 |
|---|---|
| 谷歌列出 | 约 1 分钟连续交互为当前限制 |
| 科技共和 | 约 2 分钟,为上一代的两倍 |
| 其他报道 | 「几分钟」不间断交互 |
| 上一代精灵 3 | 由 60 秒延长至 3 分钟(另有约 1 分钟说法) |
可见「1 分钟/2 分钟/几分钟/3 分钟」多种口径并存,写作与引用都不应写死单一数值。(不同来源口径不一)上一代精灵 3 的能力也同步放宽:单次生成时长延长、支持 360 度全景图作为种子输入,并可把多个生成世界串成更长旅程。(据媒体报道)
再看订阅价格,同样存在两种报道口径。
| 来源 | 月费口径 |
|---|---|
| 德克斯特(Decrypt)等主流报道 | 199.99 美元/月 |
| 开发者社区(dev.to)报道 | 250 美元/月 |
| 谷歌人工智能专业版(Google AI Pro)用户 | 可加入候补名单 |
两种价格必须并列注明,不可混用或相加。(媒体报道口径不一)此外,谷歌尚未说明何时向美国以外地区开放,早期合作伙伴后续将通过谷歌人工智能工作室(Google AI Studio)与双子座应用程序接口(Gemini API)获得第四代精灵,但具体日期均未公布。(据厂商公告)有分析认为,把最前沿模型放在最高档订阅、以每月约两百美元门槛筛选最愿意折腾、反馈质量最高的用户,是用真实用户行为数据换研发反馈的策略。(据媒体观察)
五、离生产还有多远:研究级定位与已知短板#
冷静看待这次开放,关键是要回答「它现在能干什么」。谷歌自己也承认了若干短板,这些限制共同划定了它研究级的定位。
| 已知短板 | 具体表现 | 来源性质 |
|---|---|---|
| 物体一致性 | 物体可能在不同视角之间漂移或改变 | 厂商公告 |
| 复杂物理 | 仍显困难,尚未达到可信的模拟精度 | 厂商公告 |
| 语音与文字 | 生成内容可能不准确 | 厂商公告 |
| 会话时长 | 约 1—2 分钟,多口径并存 | 不同来源口径不一 |
| 水印与审查 | 所有音视频输出带合成标识(SynthID)水印,输入输出均经安全筛查 | 厂商公告 |
谷歌方面主张,第四代精灵改善了人物移动方式与物体对物理力的反应,气流与碰撞看起来更真实——但这些说法来自自家演示而非独立测试,应标注为「据官方演示」,不宜当作已验证结论。(据官方演示)这也正是全文反复强调的原则:厂商演示不等于独立实测。
从落地角度看,短期的可用与不可用边界大致如下。
| 场景 | 当前是否适合 | 原因 |
|---|---|---|
| 概念原型、客户提案 | 适合 | 可从提示词与对话快速原型化可探索演示 |
| 虚拟展厅、培训模拟 | 适合 | 可在客户观看时即时改风格 |
| 影视机位预演 | 可尝试 | 先用生成世界走机位与灯光,再实拍 |
| 直接接入商业游戏管线 | 不适合 | 输出仍属研究级,一致性与时长不足 |
| 对物理精度要求高的仿真 | 不适合 | 复杂物理仍是公开短板 |
时长限制是横在「演示」与「生产」之间的一道硬门槛。约 1—2 分钟的连贯窗口(不同来源口径不一),对一次提案展示或概念验证或许够用,但对任何需要长时间稳定探索的正式内容都远远不足。更关键的是,即便把多个世界串成更长旅程,视角切换间的物体漂移仍会累积,稳定性无法靠拼接解决。(据官方演示)
结论很清晰:工作室、培训师或营销人员可以用它快速搭出可探索的演示样品,并在演示过程中即时调整风格;但输出仍属研究级,适合原型与提案,不适合生产管线。(据厂商公告口径)
六、不止于游戏:机器人训练、影视预演与社区生态#
把视野从游戏挪开,世界模型的想象空间其实更大。事实层面的判断指向三个方向,并已有相应实验与功能落地。
| 应用方向 | 核心价值 | 落地情况 |
|---|---|---|
| 游戏行业 | 程序化生成让小团队也能做出内容量惊人的开放世界 | 方向性判断,尚无成熟商业案例 |
| 机器人训练 | 在虚拟环境中先学走路、抓取、避障,再上真机 | 已有实验:模拟阿波罗下棋 |
| 影视预演 | 导演先用生成世界走机位与灯光,再实拍 | 方向性判断 |
机器人训练是最接近实证的一条线。在双子座机器人(Gemini Robotics)实验中,深度思维使用本月公开发布的双子座 4 氩(Gemini 4 Argon)规划任务,再由第四代精灵模拟阿普特罗尼克(Apptronik)人形机器人阿波罗(Apollo)下棋;深度思维视其为真实硬件上线前可大量运行的机器人训练场景来源。(据技术媒体报道)
社区生态方面,精灵计划新增了社区画廊,用户可发现、探索并二次创作他人搭建的世界。官方举例包括:
- 《生活记忆》(Living Memory):用自己的照片变成可行走的房间;
- 《恐龙田野指南》(Dino Field Guide):基于 360 度全景的史前景观;
- 《石头剪刀布》(Rock Paper Scissors):桌上物件对战,由双子座担任裁判。
同时,精灵计划加入了多人模式,多个用户可同时探索一个世界、控制不同角色并共同改写场景。(据技术媒体报道)这意味着世界模型从单人实验走向共享空间,多个参与者的意图需要在同一帧里被协调,技术难度与应用场景都随之扩展。
研究总监库尔卡尼(Tejas Kulkarni)在预览简报会上表示,未来会越来越多看到混合世界模型:双子座负责编写代码与文本,第四代精灵则实时接收并在不同抽象层级模拟现实。(据技术媒体转述)这一判断把世界模型放在了整个模型体系的下游——它不取代通用大模型,而是成为后者「落地成可体验空间」的执行端。对硬件与算力规划而言,这种分工也意味着实时生成对推理算力与显存带宽的持续需求,会长期存在。(据媒体观察)
参考来源#
- 德克斯特(Decrypt):《谷歌的第四代精灵来了》——开放范围、规格、时长与价格口径、已知短板、代际沿革。
- 科技或咖啡(TechOrCoffee):《第四代精灵已上线》——世界模型原理、原生多模态与渲染规格。
- 令牌风暴(Tokenstrom):《第四代精灵:谷歌的世界模型可实时听命》——架构、社区画廊、机器人实验、时长口径与应用程序接口开放计划。
- 开发者社区(dev.to):《谷歌深度思维向极致版订阅用户开放第四代精灵》——多人模式、订阅价格、研究级定位与输入形式。
- 腾讯搜索:《边玩边改世界:谷歌第四代精灵开放了》——原生音频、应用场景与订阅策略观察。
说明:以上来源均出自公开报道与厂商资料;所有画质、物理与音频表现均出自官方演示与媒体转述,未经第三方独立测试。