外观
新闻The Decoder今天
DeepMind发布Genie 4实时世界模型并集成Apollo机器人仿真
Google DeepMind推出首个支持音频生成的实时交互世界模型Genie 4，利用Gemini进行多步任务规划。该模型已集成Apptronik Apollo人形机器人仿真验证，旨在构建语言推理与像素级模拟结合的混合训练环境。
Apptronik Apollo本文由 AI 根据公开内容整理，可能有误，请以原文为准：Google Deepmind's Genie 4 puts a modern spin on agent designs that predate LLMs（The Decoder：AI News（RSS）（via AIHOT））
核心内容
Google DeepMind正式发布Genie 3继任者Genie 4，这是其首个能逐帧实时计算交互场景并直接生成背景音与角色对话的世界模型。该系统目前处于实验研究阶段，仅向部分测试者开放，后续将扩展至Google AI Ultra订阅用户及Gemini API合作伙伴，所有生成内容均嵌入SynthID水印以确保可追溯性。
技术上，Genie 4基于Gemini Omni视频模型构建，由Gemini 3.8 Flash在后台持续观测场景并将目标分解为多步任务以维持逻辑连贯。团队正测试Gemini 4 Argon以衔接机器人研究，演示中Argon将下棋任务拆解为文本指令，驱动Apptronik Apollo人形机器人在纯虚拟环境中完成操作，验证了无实物条件下的具身智能仿真能力。
关键看点
- 实时音视频生成：首个支持直接生成环境音效与角色对话的实时世界模型，支持键盘移动与文本提示动态改变天气等场景要素
- 多步任务规划：Gemini 3.8 Flash后台持续监控并分解目标步骤，根据新帧反馈实时调整计划以应对用户干预或环境变化
- 具身仿真验证：通过Gemini 4 Argon将任务转为文本指令，驱动Apptronik Apollo在无实体机器人情况下完成下棋等复杂操作仿真
- 混合模型愿景：旨在结合语言代码模型的推理能力与像素级模拟，为机器人和AI代理提供超越纯数据训练的交互式模拟学习环境
工程与产业观察
Genie 4标志着世界模型从被动视频生成迈向主动交互式仿真，特别是Gemini 4 Argon与Apollo机器人的集成验证了“语义规划-视觉仿真”闭环的可行性。尽管长时序一致性仍待解决，但这种语言推理与像素级模拟结合的混合架构，为具身智能提供了低成本、高泛化的Sim-to-Real预训练新范式。
线索来源：AIHOT
来源
本页事实对应的公开页面，以原文为准。