Peter Yang 测试 Genie 4：场景逼真，游戏性仍不成熟

我试用了 Google Genie 4 的早期版本，创建了五个世界：巨型生物袭击旧金山街道、东京拉面摊、飞龙攻城、野生动物园，以及外星人袭击纽约。我也会讨论这些结果可能对电影和游戏产生什么影响。

我把世界模型解释为根据用户输入预测下一帧画面。提示词创建初始场景；按下移动键后，模型预测接下来应该出现什么画面。这个过程不断重复，同时保留已经出现过的信息。

我重点介绍的功能包括生成声音、通过实时提示词改变场景，以及由 Gemini 4 在幕后规划多步骤事件。声音可以包括人物对话、引擎、风声或音乐。

第一个世界中，我分别提供环境和角色提示词。大约十秒后，旧金山街道出现了：缆车经过，第一人称角色手持咖啡和手机。我又加入一只金毛犬和暖色光线。

随后我要求一只巨型怪兽摧毁建筑、向街道喷射火焰，再让桥梁坍塌。场景变得混乱，但角色仍然拿着手机。这个演示展示了我如何在场景运行时不断改变它。

第二个场景里，一位拉面厨师在雨中的东京摊位欢迎我，还能说话。我要求他端上拉面，并让画面展示我吃面。厨师端来了两只叠在一起的碗，但要求的吃面动作没有出现。

我又加入一只睡觉的猫、温热的清酒、樱花和收音机里的萨克斯独奏。音乐变得可以听见。场景很有氛围，但叠在一起的碗说明结果并不完美。

在攻城场景里，我生成了一名骑龙的人，再要求火焰喷射、箭雨和俯冲。生成的声音比起我想象中的龙，更像一个人在模仿龙叫。我还让飞船与龙战斗；飞船出现后似乎又消失了。

接下来我创建吉普车野生动物园，里面有大象、狮子和羚羊。吉普车似乎不能行驶。我要求狮子追逐羚羊，又要求出现迁徙的兽群；动物突然出现，动作也并不总是连贯。

最后一个场景中，我要求外星人袭击纽约，并采用第一人称射击游戏风格和摇滚配乐。世界生成了声音、母舰攻击和一架直升机。但我要求枪射击并消灭外星人时，玩法没有达到预期。

我不想把这项技术说得比实际更好：在这次测试中，它擅长生成画面，但还不能生成令人满意的游戏玩法。一款好游戏除了外观，还需要核心玩法循环、进程和其他机制。

对于电影，我认为世界模型未来可能通过提示词生成复杂场景的不同版本，降低视觉特效成本。对于游戏，它们也许能让人创建个性化世界，但射击演示说明画面本身还不够。

我把这项技术比作语言模型的早期阶段：它已经能创建令人印象深刻的场景，但物体会突然出现，仍有不少错误。如果模型继续改进，我可以想象人们用提示词制作短片和游戏；那仍是未来的可能性，而不是这次演示已经做到的事。