给它一张静态照片，几秒钟后会发生什么？ 你直接走进了这张照片里。 不是看一段几秒钟的固定视频。

给它一张静态照片，几秒钟后会发生什么？ 你直接走进了这张照片里。 不是看一段几秒钟的固定视频。 这是一个带着环境音、能推拉镜头、能操控角色在里面实时漫游的世界。

这是 DeepMind 公布的交互世界模型 Genie 4。 官方目前给出的还只是技术演示，但思路已经跳出了传统的视频生成。 以前的模型再逼真，吐出来的也是一段定死的画面，你只能当观众。 Genie 4 解决的是实时物理交互。

给一段描述或者一张图，几秒钟后你就能操控角色身处其中。 镜头的视角、场景的细节，每一步都实时受你掌控。 你只要继续给提示，它就在后台实时计算接下来该发生什么。 探索城堡时，身边的同伴会当场大喊那是陷阱。 连周围的环境音，都在跟着你的动作与画面实时同步。

他们直接把这套世界模型，做成了机器人的虚拟练兵场。 在现实里试错，机器人要承担物理损耗和环境风险。 在虚拟世界里，却能让机器人把各种操作任务提前演练无数遍。 等在数字空间里把技能练扎实了，再让它们到物理世界里去干活。

我们在虚拟世界里漫游探索。 现实世界里的机器人，已经在里面悄悄把活给学会了。