网通社科技快报
Genie 4发布推动AI视频生成进入交互式世界模型新阶段
2026年10月27日,Google DeepMind正式发布Genie 4,该模型实现毫秒级实时视频生成,集成原生音频输出、自然语言指令修改及Gemini事件规划能力,被业内视为AI视频生成迈入新阶段的标志性事件。技术重心已从画面质量转向状态记忆、物理因果与长期一致性等世界模型核心能力。过去一年,AI视频生成在视觉保真度与时长上显著突破:从早期几秒内动作失真的短片,发展为可生成数分钟、动作自然、音画同步的高保真内容。H3 Max Director成为关键节点,其建立持续生成会话(Session),通过WebRTC流式传输音视频,并支持播放中动态插入导演指令(如转身、改光、换景),使用户感知为连贯视频流。SolarWM-H3则尝试在MiniMax-H3基础上嵌入交互性,强调分段自回归与动作-状态一致性。三者路径各异:H3 Max Director侧重导演控制,适用于影视预演与虚拟直播;SolarWM-H3聚焦既有模型扩展;Genie 4则从底层重构,以可编程三维环境为核心,支持WASD、自然语言及环境反馈驱动世界演化,并实现状态持久化。世界模型需跨越四重门槛:状态与记忆(避免遗忘漂移)、物理与因果(模拟碰撞形变)、交互与控制(多模态稳定干预)、实时性与长期运行(平衡质量与延迟)。其成熟将重塑游戏开发、工业仿真与教育等领域,例如用语言生成可玩场景、数字孪生工厂故障推演、历史反事实互动等。当前挑战仍存:状态爆炸导致记忆衰减、物理引擎与生成模型耦合未标准化、自然语言到状态变更映射缺乏统一框架,且算力需求陡增制约部署。整体看,AI视频生成正经历范式迁移——从‘像不像’到‘顺不顺’,再到‘真不真’;未来竞争焦点将转向状态记忆长度、因果一致性评分与交互响应延迟等新指标。