前言
Google DeepMind 在 2026 年 10 月 27 日發表 Genie 4，新一代世界模型。主打三件事：即時互動模擬、照片級寫實、原生音訊（含角色對話）。目前只開放給受信任測試者研究預覽。
這篇把官方公告全文翻成繁中，後半整理 Hacker News 上 500 多則留言的反應。先說結論：demo 沒人說不好看，但「世界模型」四個字，網友不買單。
全文翻譯
原文作者：蕾亞·哈德賽爾（Raia Hadsell）、迭戈·里瓦斯（Diego Rivas）、齊航（Hang Qi）
今天我們發表 Genie 4，我們的新世界模型，帶來前所未見的寫實度，並強化即時互動模擬。Genie 4 原生多模態，能在生成世界的同時，同步生成音樂般的音訊、環境雜音與互動對話。
Genie 4 納入並延伸 Gemini 家族能力：Gemini Omni 負責把模擬錨定在真實世界的外觀與行為，其他 Gemini 模型則提供維持模擬連貫性與連續性所需的複雜推理。
有了這個基礎，你可以啟動一個事件，Genie 4 會模擬接下來發生什麼：世界如何回應、聽起來如何、裡面的人如何移動、反應與說話。
理解與模擬世界是走向通用人工智慧（AGI）的關鍵，Genie 4 則讓安全、無限多變的模擬更容易實現，用途涵蓋機器人與智慧體的訓練環境，以及全新互動體驗的創作。
目前已開始以研究預覽形式向受信任測試者推出，先蒐集回饋，再開放給一般使用者與開發者，首波為 Project Genie 中的 Google AI Ultra 訂閱者，以及 Gemini API 與 Google AI Studio 的搶先體驗夥伴。
四項關鍵進展
以下皆為 Genie 4 即時互動的實錄：使用者以標準鍵盤控制移動與鏡頭，以文字提示詞在場景演進中即時引導。
一、即時塑形世界模擬
Genie 4 可用自然語言即時修改模擬，例如改變天氣、移動鏡頭、引入新人物或物件，Gemini 會按場景脈絡調整你的提示詞。在你兩次輸入之間，Gemini 也會監看並引導場景，讓世界連貫地推進。
二、物理與人物動作的寫實前沿
Genie 4 把即時互動模擬的寫實度拉到新標準。基於進階的物理世界理解，可模擬空氣動力學、碰撞等真實物理情境。最大躍進是人物的模擬：角色動作自然、對環境有機反應，並可即時互動操控。
三、模擬世界的聲音
Genie 4 是第一個原生生成音訊的即時世界模型。每個世界自帶所屬場景的環境音，從林間風聲到海灘浪聲。真正的難關是人類語音，Genie 4 引入即時互動對話，角色能即時交談，並回應你的輸入與世界中的事件。
四、以 Gemini 模型模擬複雜事件
把 Gemini 與 Genie 4 結合，為世界模擬加上一層推理，可建模複雜多步驟事件，並在搬到真實世界前，先測試 AI 系統如何在不同環境中行動。為達成即時，Gemini 3.8 Flash 擔任迴圈中的引導智慧體：Genie 4 即時生成世界時，Gemini 持續觀察場景、把目標拆成步驟序列，並檢視傳入影格以追蹤進度、驗證每步是否成功。世界變化或使用者介入時，Gemini 當下調整計畫，讓世界具備可靠因果、程序化行為與多步推理。
官方也提到在實驗 Gemini 4 Argon（原文用語，應為內部前沿推理模型代號）搭配 Genie 4 與 Gemini Robotics：Argon 把使用者指令拆成步驟，以即時文字字幕餵給 Genie 渲染。範例是 Apptronik 的 Apollo 人形機器人下西洋跳棋。
受信任測試者的回饋
官方稱已與創意產業、新聞、教育、遊戲與工程的測試者合作，點出的用途有四類：創意執導的快速草稿模式、單張歷史照片重建沉浸場景、遊戲概念原型、企業的從零到一場景生成。
未來工作：朝混合世界模型
官方認為下一步是混合世界模型：把程式碼與語言模型的邏輯結構化推理，與畫素級模擬的感官表徵結合。Gemini 在幕後描繪結構、規劃敘事時間線，Genie 生成眼前的物理現實。
安全與限制
Genie 4 具備嚴格安全護欄，推出前通過內部安全評估，先部署給受信任測試夥伴。所有生成影像與音訊都會嵌入 SynthID 浮水印。
官方自己承認的限制：短時間模擬可維持連貫，但視覺細節與物件恆存仍會隨時間偏移，尤其模擬拉長、多次複雜提示詞編輯後。複雜物理互動、即時音訊準確度、清晰文字渲染、空間準確度與長期一致性，都是未解項目。
網友反應：好看，但不叫世界模型
Hacker News 討論串在發文隔日累積 926 分、534 則留言，是當日最熱的一串。風向異常一致：幾乎沒人否認 demo 好看，但幾乎所有人都不同意「世界模型」這個詞。
出框即崩：維持的是畫面，不是世界
網友 @inkcapmushroom 給出整串最被引用的觀察：好幾個範例在物件離開畫面再回來後細節就變了。巨龍那段多出一座城堡，月台那段背對鏡頭的人群換了人，香港機車騎士一開始沒戴安全帽、後來戴了。很會維持留在畫面內的東西，但撐不起世界模擬的宣稱。
@smusamashah 補上更硬的一例：城堡右側一大塊在鏡頭轉回來時消失，連投石機也不見。@germanjoey 抓到人物穿幫：更衣室那幕，男子左半身灰西裝、右半身灰洋裝。
物理與規則不守恆
@mlmonkey 指出大理石胸像砸西瓜那段，按物理胸像早該翻倒。@Kotlopou 檢驗跳棋 demo：第一步棋子浮空閃爍，最後一步根本不合跳棋規則。@runtime_terror 酸度最高：香港機車背景冒出提示詞沒寫的克拉肯摧毀城市，電影工作者暫時安全。
音訊與文案被抓包
@recursive 的吐槽最精準：提示詞要薩克斯風，打開來聽是單簧管的聲音。@gradascent 咬住官方文案：什麼叫 audio-like music，是想寫 music-like audio 吧。
可控性疑似倒退
@sodacanner 質疑 Genie 4 看起來比 Genie 3 還糟，根本不理輸入，像拿 AI 影片套一層按鍵外皮。@nomel 附和，第一支 demo 後段完全無視輸入。@ainch 認為團隊已從讓 agent 學世界的模擬器路線，轉向可控影片生成器。
零技術揭露，額度鎖死
@kouteiheika 代表整群人：完全沒釋出技術細節，連參數量都沒有，安全審查拉滿，額度大概低到非 Google 員工等於沒用。@SXX 提醒，同天開源的騰訊混元 HY-World 2.0 開放權重反而沒人看。
「能練機器人」被直接挑戰
@sosodev：demo 很酷，但這些公司一直宣稱這技術可以訓練機器人，它明顯不代表真實世界。影片好看不等於可用於 sim-to-real，這才是產業真正在賣的東西。
文化價值大辯論
@angusturner 丟出靈魂拷問：舉出一件被生成式 AI 變好、真正打動過你的文化作品，反例卻隨手一堆。@daniel31x13 引奧特曼 2024 年「電影變遊戲」的預言說想跳去十年後看，底下開戰：@captainclam 認為藝術重點是創作者的刻意選擇，把選擇權交給觀眾是誤解藝術；@lifeisloving 認為史上偉大遊戲不到 500 款，根本沒有訓練資料，品味蒸餾不成向量。
樂觀派也有。@numlock86 拿三年前 Will Smith 吃麵條的邪典片對比，認為這是巨大躍進。@onion2k 澆水：跟三年前比是飛躍，跟同期模型比沒有。@pllbnk 說出審美疲勞：每代都說大躍進，失敗模式全還在。
懶人包
重點整理做成一頁視覺版：
來源
- 官方公告：https://deepmind.google/blog/genie-4-a-new-generation-of-world-simulation/
- Hacker News 討論串：https://news.ycombinator.com/item?id=50261319
- 視覺懶人包：https://static.blog.derekhsu.net/genie4-hn.html
譯註：Gemini 4 Argon 為原文用語，官方尚未另行介紹。@ainch 關於原團隊人事的說法為網友單方說法，未驗證。留言數為抓取當下數字，會繼續變動。