Google DeepMind 在 2026 年 10 月 27 日發表 Genie 4 世界模型，最大躍進是「原生音訊」——環境音、音樂、角色對話與畫面同步生成；加上能在模擬進行中用文字即時改天氣、換鏡頭、加人物。目前僅研究預覽、開放給受信任測試者。
這次到底發布了什麼？
Genie 4 由 DeepMind 的 Raia Hadsell、Diego Rivas、Hang Qi 共同發表，定位是「新一代世界模擬」。官方定義它為 原生多模態（natively multimodal）：不是先做畫面再配音，而是聲音與像素一起生成。
官方公告用一句話說明使用情境：使用者「把一件事啟動」，Genie 4 就模擬接下來會發生什麼——世界怎麼反應、聽起來如何、裡面的人怎麼移動、反應與說話。
值得注意的是，Genie 4 並非單一模型單打獨鬥。官方明確寫出它建立在 Gemini 家族的能力上：
- Gemini Omni 負責把模擬「錨定」在真實世界的外觀與行為上，避免畫面飄成純幻想。
- 其他 Gemini 模型提供推理能力，維持模擬的連貫性與連續性。
- Gemini 3.8 Flash 在即時迴圈中擔任「指導代理（guiding agent）」。
四大能力拆解
1. 即時用自然語言改世界
使用者可用標準鍵盤操作移動與鏡頭，同時用文字提示（prompt）改場景：改天氣、移動鏡頭、新增人物或物件。官方的關鍵設計是「Gemini 會把使用者的提示轉譯成符合當前場景的版本」——換句話說，模型會理解你講的話在當下畫面代表什麼，而不是硬套。
更關鍵的是使用者沒輸入的空檔：Gemini 會持續監看並微調場景，讓世界「自己合理地繼續演下去」。這一點比單純的「promptable events」更接近一個會自己維持狀態的世界。
2. 物理與人物：官方說最有感的一躍
Genie 4 主打模擬真實物理情境，包括空氣動力、碰撞等。官方形容「最戲劇性的躍進」是人物：角色移動自然、對環境的反應有機，而且可以被即時操控。
這段必須標記為廠商自述——官方沒有公布量化的物理一致性指標，第三方也還沒有獨立評測數字。
3. 原生音訊（本次最硬的新聞點）
Genie 4 是 DeepMind 第一個原生生成音訊的即時世界模型。三個層次：
| 音訊類型 | 官方描述 | 實例（來自官方 demo 提示詞） |
|---|---|---|
| 環境音 | 每個世界自動帶上符合場景的環境聲 | 樹林風聲、海灘浪聲、高空的風切與火山低鳴 |
| 音樂 | 依畫面中實際存在的樂器與氛圍生成 | 場景裡有人吹薩克斯風，就生成薩克斯風聲；提示詞明寫「除畫面中的樂器外不要背景音樂」 |
| 互動對話 | 角色能對使用者輸入或世界事件即時反應、對話 | 進入歷史場景與畫中人物對談（官方舉的想像案例） |
官方特別強調 demo 影片中的所有聲音「都是 Genie 4 直接產生」，不是事後配音。這句話很重要，因為過去世界模型的展示影片幾乎都靠後製音效。
4. Gemini 在迴圈裡：從「生成」變成「規劃＋驗證」
這是整篇公告裡最容易被忽略、但技術上最有趣的一段。官方描述 Gemini 3.8 Flash 的工作流程：
- 持續觀察 Genie 4 正在生成的場景；
- 把使用者的目標拆解成一連串步驟；
- 檢視進來的每一幀畫面，追蹤進度、驗證每一步是否真的成功；
- 世界變化或使用者介入時，當下改寫計畫。
換句話說，Genie 4 負責「畫出物理現實」，Gemini 負責「劇情與因果」。DeepMind 把這條路徑稱為混合世界模型（hybrid world models），並在公告的未來工作段落裡明講：Gemini 在背後規劃敘事時間線與結構，Genie 生成當下的物理現實，兩者互補才可能做出「比任一單獨路線更連貫、更可控、更貼地」的世界模型。
研究總監 Tejas Kulkarni 在媒體簡報中的說法很直白：未來會越來越常看到混合式世界模型——Gemini 寫程式碼與文字，Genie 即時吃進去，用不同抽象層次模擬現實。
Genie 3 對 Genie 4：官方這次「沒給的數字」也要看
| 項目 | Genie 3（2025-08-05） | Genie 4（2026-10-27） |
|---|---|---|
| 解析度 | 720p（官方明列） | 官方未公布 |
| 幀率 | 24 fps（官方明列） | 官方未公布 |
| 世界維持一致的時間 | 官方稱「數分鐘」，視覺記憶回溯約 1 分鐘 | 官方僅稱「短 session」；TechCrunch 等媒體報導約 2 分鐘，為前代兩倍 |
| 原生音訊 | 無 | 有：環境音、音樂、互動對話 |
| 模擬中途改場景 | 有限（promptable world events） | 支援：天氣、鏡頭、物件、人物 |
| 迴圈中的規劃模型 | 未提及 | Gemini 3.8 Flash；機器人示範用 Gemini 4 Argon |
| 浮水印 | SynthID | SynthID，且影片與音訊都套用 |
| 取得方式 | 限量研究預覽（Project Genie） | 受信任測試者 → AI Ultra 訂閱戶（Project Genie）與 API／AI Studio 早期夥伴 |
這張表刻意留白：Genie 3 當年給了 720p、24fps、數分鐘這三個數字，Genie 4 一個都沒給。 把空白填成前代數字是最常見的錯誤引用，實際上「畫質更好」目前只有官方的形容詞與 demo 影片可依據。
機器人實驗：Apollo 在想像世界裡下西洋棋
官方公告中有一張與 Gemini Robotics 連動的示範：Gemini 4 Argon 把使用者指令拆成步驟，這些步驟以「文字字幕」的形式交錯餵給正在即時渲染的 Genie 4，模擬出 Apptronik 的 Apollo 人形機器人在房間裡玩西洋棋的過程。同一份素材裡還出現 Universal Robots 的 UR5 機械臂以滴管分注液體的場景。
意義在於順序：先在想像世界裡排練，再讓實體機器人上場。 對機器人團隊來說，最貴的成本不是模型，而是實機測試的時間與安全風險；能用文字即時改條件（換光線、換物件、換地面摩擦力）的模擬器，價值就在這裡。不過官方沒有公布任何 sim-to-real 的遷移成功率，這仍是研究階段。
誰能用、要多少錢
| 對象 | 目前狀態（2026-10-27） |
|---|---|
| 受信任測試者 | 已可取得研究預覽，涵蓋影視、新聞、教育、遊戲、工程等領域 |
| Google AI Ultra 訂閱戶（透過 Project Genie） | 「即將推出」，可從官方公告頁加入等候名單 |
| Gemini API／Google AI Studio 早期合作夥伴 | 「即將推出」 |
| 開發者 API 定價 | 尚未公布 |
價格方面有兩個必須並列的官方說法：
- Gemini 訂閱頁顯示 Google AI Ultra 分兩檔：US$99.99/月（5 倍用量） 與 US$199.99/月（20 倍用量），並註明 Project Genie 只隨 AI Ultra 提供、可在 140 多國使用。
- Google 在 I/O 2026 的訂閱公告則寫「Project Genie（AI Ultra US$200 檔；全球）」。
兩處描述不一致（一處只說「AI Ultra」，一處指明 200 美元檔），本文如實並列，實際以訂閱當下官方頁面顯示為準。至於 API 按量計價，Ars Technica 明確指出「定價尚未公布」。
業界位置：世界模型正在整併
TechCrunch 在同日報導中把 Genie 4 放進一整條產業線來看：
- Runway 約兩個月前推出第二個世界模型 GWM Worlds 2，同樣是可操作、含音訊生成的模型。
- World Labs（李飛飛）正被 AMD 收購。
- Amazon 傳出正在洽談收購 Decart。
- Rivian 收購 Third Dimension，把模擬能力收回自研，用於自駕測試。
也就是說，世界模型已經從「研究展示」進入「誰買誰、誰綁誰的硬體與雲」的階段。對開發者而言，這代表未來兩年可選的供應商會越來越少、但每一家的工具鏈會越來越深。
官方自己承認的限制（這段最重要）
DeepMind 在公告裡列得很坦白，沒有粉飾：
- 視覺細節與物件永久性會漂移：session 跑越久、經過多次複雜提示詞編輯、或在場景中到處亂走之後特別明顯。
- 一致性只有短 session：官方原文是「在短 session 內能維持連貫環境」，媒體補上約 2 分鐘的量級。
- 文字渲染不可靠：除非文字明寫在提示詞裡，否則世界裡出現的招牌、標籤常常讀不出來。
- 複雜物理互動、即時音訊精準度、空間精確度、長期一致性：官方明列為「仍在研究中的活躍領域」。
- 多智能體互動、真實地點的精確模擬：也在未解清單上。
另外兩個實務上的「沒說」也要記著：一是這次沒有獨立第三方評測，所有畫質、物理、音訊的比較都建立在官方 demo 上；二是沒有公布任何延遲（latency）數據，而「即時互動」最怕的正是延遲。
對繁體中文讀者的實務意義
- 影視與廣告前期（previs）：Rivas 在簡報中提到，即時性最值錢的地方是「讓創作者維持在心流狀態」——同一場景連跑多個 take、當場調鏡位與光線，不必等算圖。這是目前最現實的用途。
- 遊戲原型：官方說測試者用它「在寫第一行引擎程式碼之前」先驗證玩法與美術風格。注意這是原型工具，不是引擎替代品。
- 機器人與代理訓練：這是 DeepMind 自己押的最大賭注，但現階段缺 sim-to-real 數據，別當成可排程的生產工具。
- 內容真實性：影片與音訊都會帶 SynthID 浮水印，對平台與查核方是好事；但對想要「乾淨」素材的創作者則是限制。
一句話建議：現在能做的事是「登記候位＋把它當前期草稿機」，不是把製作流程搬上去。 研究預覽加上未公布定價，任何把它寫進年度預算的行為都還太早。
站內延伸閱讀
資料來源與查證方法
- 官方一手：Google DeepMind 公告〈Genie 4: A new generation of world simulation〉（2026-10-27）、Google 官方部落格同日貼文、Genie 模型頁。
- 規格對照：DeepMind〈Genie 3: A new frontier for world models〉（2025-08-05）與 Genie 3 模型頁，用於確認 720p／24fps／視覺記憶約 1 分鐘等原始數字。
- 第三方：TechCrunch（2026-10-27，含 Kulkarni、Rivas 簡報引述與產業整併資訊）、Ars Technica（同日，明確指出 API 定價未公布）、Investing.com、BigGo Finance（2 分鐘一致性與 AI Ultra 起價 US$100）。
- 價格：Gemini 訂閱頁與 Google One AI 方案頁（查證日 2026-10-27）。
- 本文未實測：Genie 4 未對外開放，因此沒有第一手的延遲、畫質、音訊同步測試數據；文中所有「更好」的描述均為官方自述或媒體轉述，已逐處標明。