Google DeepMind 正式發布新一代世界模型 Genie 4，除咗實時生成可交互環境，今次最有意義嘅設計係：Genie 4 負責「生成世界」，Gemini 3.8 Flash 負責觀察畫面、拆解任務，再根據執行情況調整計劃。DeepMind 亦展示了 Gemini 4 Argon 同 Genie 4 嘅組合，令模擬環境入面嘅 Apollo 人形機械人完成跳棋任務，新任務指令可以持續加入，改變後續事件。
先講下技術底子。Genie 3 已能以 720p 解析度、每秒 24 幀生成可交互環境，採用自回歸方式，將之前視覺歷史同用户操作作為條件輸入，並支持 Promptable World Events，容許用户用文字改變天氣或添加物件。但過去，模型主要係根據歷史畫面同用户操作生成後續場景，Genie 4 將呢種交互擴展到持續運行嘅任務過程中——Argon 可將複雜任務拆解成連續步驟，透過 Interleaved Text Captions 將新文字條件交錯送入生成模型。
呢個帶來三個互相牽連嘅技術挑戰。
第一，動態語言條件點樣約束環境演化。模型生成下一段環境變化時，要同時結合歷史視覺、控制動作同當前生效嘅語言條件。例如 Apollo 機械人完成抓取後，新指令要求將棋子移至指定位置，指令要改變機械臂同相關棋子嘅後續運動，卻不能擾動棋盤上無關對象。DeepMind 尚未披露 Genie 4 完整網絡結構，亦冇説明 Interleaved Text Captions 究竟透過點樣嘅注意力機制、狀態快取或條件融合方式進入生成網絡。
第二，因果錯覺，即「指鹿為馬」陷阱。生成式世界模型學嘅係感官資訊隨時間變化嘅規律，即使生成咗視覺連貫嘅抓取過程，都唔代表接觸同受力關係符合物理約束。當任務描述要求操作成功，生成結果可能被目標語義影響，Gemini 又根據呢啲結果判斷成敗，最終形成自我確認循環。文章指出，若無外掛嘅「因果核驗」同獨立「動力學引擎」，Agent 根本學唔到真正物理邊界。
第三，異步協作。Genie 4 持續生成畫面、運動同聲音，Gemini 3.8 Flash 要讀取環境、分析進度、產生後續指令，兩者運行時間尺度唔同，毫秒級延遲下點樣保持穩定協作，DeepMind 亦未公開具體調度實現。
阿調搞兩下：三個問題，DeepMind 都未公開核心實現。裁判同運動員都係 AI，物理常識被視覺連貫性綁架，呢個陷阱真係好值得留意。邊個核實過因果？
阿調｜深度調教
