谷歌刚刚放出了新一代世界模型 Genie 4。
只要在输入框里打下一行字，它就能在短短几秒内，凭空造出一个可以走进去的虚拟世界。
你可以用键盘控制角色往前走，随时召唤一条巨龙，或者把晴天变成暴风雨。
耳边还会实时响起风声、水流声和角色的应答声。
这个虚拟世界目前只能稳定维持 120 秒。
两分钟一到，画面和细节就会慢慢走形崩溃。
但这极其短暂的两分钟，却标志着生成式 AI 正在发生一场决定性的转向。
告别焊死的录像带
过去两年，大家看 AI 生成视频，心态已经从最初的惊艳慢慢变成了疲劳。
无论是街头漫步的行人，还是奔跑的动物，不管画质多高清，本质上都是一段被提前焊死的录像。
你能看，但碰不得。
镜头不能随便转弯。
主角也不能临时弯腰捡起一块石头。
造成这种局面的原因很简单：过去的视频模型只是在“猜像素”。
AI 观察了海量视频，学会了上一帧画面之后下一帧大概长什么样。
但它根本不懂地心引力、空气阻力和物体碰撞。
传统游戏引擎倒是懂这些物理规律。
但想要搭建一个自由交互的复杂三维场景，需要几百名工程师和美术师熬上几个月，成本高得吓人。
大脑与画师分工协作
