世界模型的竞争，正在从“生成得像”转向“模拟得有用”

谷歌 DeepMind 10 月 27 日发布 Genie 4 研究预览版，场景一致性模拟时长从前代的大约一分钟延长到约两分钟，画面真实感、物理模拟和人物动作自然度都有提升，还加入了原生音频生成。

但如果只看“更真、更长”，会错过这次发布真正的信号：谷歌同时展示了 Gemini 4 Argon 负责把用户指令拆成多步计划、Genie 4 根据计划实时生成机器人执行任务模拟画面的协同实验，演示里 Apptronik 的 Apollo 人形机器人在虚拟环境里下跳棋。谷歌研究总监的表述是，未来会出现更多“混合世界模型”，由 Gemini 生成代码和文本，Genie 实时接收并在不同抽象层级上模拟现实。

这意味着世界模型的评价标准正在分层。第一层是“生成得像不像”，第二层是“物理和交互是否一致”，第三层是“能不能作为规划和训练的环境被使用”。Genie 4 在两分钟一致性、实时交互和音频上推进的是前两层，但真正拉开长期差距的是第三层：它能不能让一个 Agent 在里面试错、得到有意义的反馈、把学到的东西迁移到真实环境。 DeepMind 自己的工程师也承认，Genie 4 仍处于早期，模拟时间拉长后场景细节和物体会偏移，音频准确性和画面文字清晰度也有待解决。

行业侧的动向也在佐证这个分层：AMD 以约 82 亿美元收购 World Labs，亚马逊据报在洽谈收购 Decart，Rivian 收购 Third Dimension 用于自动驾驶仿真。钱在往“模拟作为训练和验证基础设施”的方向走，而不是往“生成好看视频”的方向走。对做 AI 工程的人来说，值得关注的不是 Genie 4 什么时候开放 API，而是如果你的系统需要在一个可交互环境里验证 Agent 行为，现在有没有一个比真实环境更便宜、更安全、可重复的模拟层。世界模型如果最终变成这个层，它的价值就不在 demo 里，在 CI 里。