Genie 4 让你走进去，回来时东西还在吗
Hello，我是飞飞。
你走进一间 AI 生成的房间，用文字在桌上加入一个杯子，转身看一圈。等你再回头，杯子还在原来的位置吗？
Google 刚发布的 Genie 4，已经能让人用键盘在生成的场景里移动，还能在过程中用文字改变环境。它把声音也一起生成出来。看起来很像一个可以走进去的世界。
我关心的是，走开再回来之后，前面发生的事还算不算数。
这个问题不只影响画面好不好看。你拿它做创意预览，杯子偶尔换了位置，可以重来；你要用同一环境训练智能体，就得先弄清楚：它记住的场景，跟你刚才操作的场景还是不是同一个。
我没有用过 Genie 4。下面说的是 Google 展示的能力和公开限制，再拿自己以前改代码的一次经历作对照。计划中的检查也还没跑。
这次多了什么
Google DeepMind 的发布文章展示了一组实时互动录屏。参与者可以用键盘移动、控制镜头，也可以在场景进行中输入文字，调整天气或加入新对象。
这一点和播放一段已经做好的视频很不一样。视频可以倒回去看，但你不能走到镜头没拍过的地方。Genie 4 要随着人的操作继续生成接下来的画面。
声音也成了世界的一部分。官方说，环境声、音乐和可以交互的对白由模型原生生成。你可以想象在一个场景里转头看人、听到对方回应，而不是只看到嘴唇在动。
这里的“可以想象”是我根据官方描述理解的用途。我没有拿到可交互版本，也没法替你确认说话延迟、声音是否对得上动作。
另一个容易被缩成一句话的细节，是 Gemini 的角色。官方介绍，它会观察正在生成的画面、拆解目标、根据场景变化调整后续步骤。Genie 负责生成场景，Gemini 在环路中帮忙引导。两者协作，不等于画面自己就能保证所有步骤都对。
Google 展示了用 Gemini 规划、Genie 呈现机器人多步任务的研究示例。这个方向很吸引我：以前想看一连串动作的效果，要先搭场景；现在可以尝试更快地生成一个可观察的过程。但官方示例不能直接证明机器人在真实环境里也能照着成功。
先别急着找入口
截至 10 月 28 日，Genie 4 处于研究预览阶段，已向受信任测试者开放。Google 说，接下来会从 Project Genie 的 Google AI Ultra 用户和 Gemini API、Google AI Studio 的早期合作伙伴开始逐步提供，并设有等待名单。
这句话里的“接下来”要留住。Ultra 用户在计划范围内，不代表今天每个订阅者都能打开 Genie 4。开发者在计划范围内，也不代表现在任何 API 项目都能直接调用。
所以如果你看到演示后想复现，先确认自己的账号是否有实际入口。我目前没有它的使用记录，也不会拿旧版 Genie 的开放情况替这次画勾。
杯子转身还在吗
Genie 4 模型页自己列了限制。连续交互目前只能维持几分钟；场景运行更久、多次复杂修改，或人在环境里四处移动之后，视觉细节和物体持续存在都可能漂移。
这不是我发现的故障，也不代表每次转身杯子都会消失。官方给的是可能出现的问题，没有给出杯子消失的概率。我拿杯子举例，是为了把这个限制变成以后可以观察的一项。
真能试的时候，我会先试着用文字在桌上加入一个杯子，确认它是否真的出现在指定位置，再记下颜色和周围参照。如果不能控制位置，就记下这个限制。走开，转回来，记录它是否还在。再试一次改变天气，看看刚才加入的杯子有没有被连带改变。
这张记录最好把时间和动作写清楚。只留下“画面有点漂”，下次换一个场景就很难比较。也别只截回来的那张图：加入之前、转身途中、回来之后，都要能对照。
可一段视频里看见杯子没动，也只能说明那一回的那段过程过了。单次画面一致也不能证明内部状态可靠。换一条路线、换一种物品、延长交互时间，结果还得重新记。演示成立的条件越清楚，别人越容易知道它能帮自己做到哪一步。
Google 还承认，复杂物理交互、真实地点的准确呈现、清晰文字和实时声音准确性都有局限。如果一个历史场景看着像某条街，不能因此认定路口位置和招牌文字都经过核实。用它构思镜头很有意思，用它还原一条真实街道，就需要别的资料来对照。
我在代码里吃过亏
我会盯着“前面发生过的事还在不在”，是因为自己在开发里交过学费。
六月那篇 Qwen-AgentWorld 旧文里，我记录过一次 Java 到 Kotlin 的迁移。Agent 改了一个可能返回空值的方法，又把一批调用点跟着改掉。编译过了，边角场景跑起来仍然出了空指针。
我当时花了大半个下午，顺着改动找是哪一处空判断出了问题。编译结果是真实的，它证明代码通过了那一关。但后面的空指针提醒我，调用场景还得单独验证。
六月那篇讨论的是让 Agent 在动手前预测操作后果。Genie 4 展示的是生成可交互的视觉和声音环境。两者接触的对象、输出形式都不同，我没有把它们放在一起跑过对照。
那次排查提醒我：先问“我要验证哪件事”，再决定拿什么结果作证。画面连贯能支持“这段看着连贯”；碰撞动作能支持“这次呈现了碰撞”。想知道机器人能不能稳定完成真实任务，还得拿现实中的约束和结果来核。
这也不是说创意预览就没有价值。拍摄前想快速看看灯光、试一个机位，允许反复修改；它节省的可能是搭场景和沟通想法的时间。前提是把它当草图，别让一段顺畅演示替现场的条件签字。
真开放后先验什么
如果将来能拿到 Genie 4，我想先用同一个小场景做几轮记录，而不是一上来让它模拟复杂工厂。
先记录初始文字和参考画面，试着在指定位置加入杯子。若无法指定位置，就记录不可操作。保留加入前后、转身离开、再回来的画面、时间和操作。再分别试修改天气和移动位置，看看物体、背景与声音有没有跟上。能否重复相同输入和路径，也要先查产品当时提供什么控制方式，不能假设一定能重放。
物体这一项过了，再选一种动作。比如桌上的球被推动后到哪里停下。看起来顺不顺只是一项观察；若要拿它推断距离或碰撞规律，需要有可核对的条件和外部参照。没有参照时，就写“视觉上像”，别写“物理准确”。
声音也单独记：它来自哪里，变化时是否与场景事件对应。几分钟的互动上限、每次生成的差异、看不到的物体状态，都应当留在记录里。这样即便演示很顺，也知道这份结果覆盖了什么。
Genie 4 最打动我的，是能把一句话变成一个可以进入、还能继续改变的场景。对创意工作来说，这已经值得期待。
可我还想等那个杯子。转身回来时，它还在原处；下一次换个路线回来，也能说清发生了什么。等我真拿到入口，才有资格给你看这份记录里写了什么。
你更想用它先做一段创意预览，还是测试智能体在环境里的动作？你会先留下哪一项可复查的记录？