แบบจำลองโลก Genie 4: คุณสมบัติ ความสามารถ และวิธีเข้าถึง

ประเด็นสำคัญของรุ่นนี้คือ “เสียง”: Genie 4 เป็นแบบจำลองโลกแบบเรียลไทม์รุ่นแรกของ DeepMind ที่สร้างเสียงแบบเนทีฟ รวมถึงบทสนทนาเชิงโต้ตอบที่ตอบสนองต่อการกระทำของคุณ นี่สำคัญกว่าที่คิด เพราะการจำลองแบบไม่มีเสียงเป็นเพียงภาพจำลอง ขณะที่เสียงบรรยากาศและตัวละครที่พูดได้ทำให้ใกล้เคียงสภาพแวดล้อมสำหรับเทรนเอเจนต์และหุ่นยนต์มากขึ้น

คุณสมบัติเด่นของ Genie 4

DeepMind แบ่งการปล่อยฟีเจอร์ออกเป็นสี่ความสามารถหลัก และอีกหนึ่งอย่างที่ต่อยอดจากงานหุ่นยนต์ ต่อไปนี้คือสิ่งที่แต่ละความสามารถทำได้จริง

บังคับโลกขณะกำลังรัน

คุณเปลี่ยนการจำลองแบบสดได้ด้วยการพิมพ์: สลับสภาพอากาศ ขยับกล้อง เพิ่มคนหรือวัตถุ Gemini จะปรับพรอมต์ให้เข้ากับสิ่งที่มีอยู่บนหน้าจอ เพื่อให้สิ่งใหม่เข้ามากลมกลืนทั้งสไตล์และเรขาคณิตของฉาก ไม่ใช่ถูกแปะทับ

ระหว่างอินพุตของคุณ Gemini ยังเฝ้าดูและบังคับทิศให้โลกคืบหน้าด้วยตนเอง ชุดควบคุมนี้—การนำทางด้วยคีย์บอร์ดบวกการแก้ไขด้วยภาษาธรรมชาติ—คือสิ่งที่ทำให้ Genie 4 ต่างจากโมเดล text-to-video ที่คุณควบคุมได้แค่พรอมต์ตั้งต้น

ฟิสิกส์และการเคลื่อนไหวมนุษย์

Genie 4 จำลองอากาศพลศาสตร์ การชน และพฤติกรรมทางกายภาพอื่นๆ บนฐานที่ DeepMind เรียกว่า “ความเข้าใจทางกายภาพขั้นสูงของโลก” เดโมตั้งใจผลักดันจุดนี้ ตั้งแต่แตงโมผิวเงาวางบนฐานหินกับหยดน้ำลอยช้าๆ ไปจนถึงช็อตมาโครของเมล็ดเมเปิลร่วงลงบนหญ้า

ในมุมของ DeepMind ก้าวกระโดดที่เห็นชัดที่สุดคือ “คน” ตัวละครเคลื่อนไหวเป็นธรรมชาติ ตอบสนองต่อสภาพแวดล้อม และบังคับแบบอินเทอร์แอกทีฟได้ระหว่างที่ฉากเล่น ซึ่งเป็นจุดที่แบบจำลองโลกก่อนหน้านี้ทำได้แย่ที่สุด

เสียงแบบเนทีฟและบทสนทนาเชิงโต้ตอบ

ทุกโลกของ Genie 4 มีเสียงบรรยากาศตามฉาก ตั้งแต่เสียงลมในต้นไม้ถึงคลื่นริมชายหาด รวมทั้งเพลงเมื่อบริบทเหมาะ เดโมระบุรายละเอียดเสียงพอๆ กับภาพ ถึงขั้นสั่งว่า "ไม่มีเพลงประกอบนอกจากเครื่องดนตรีที่อยู่ในฉากจริงๆ"

ส่วนคำอ้างเรื่อง “พูดคุย” ยากกว่า ตัวละครสนทนาและตอบสนองต่ออินพุตของคุณและเหตุการณ์ในโลกแบบทันที นี่คือชิ้นส่วนที่ทำให้ใช้ทำพรีวิซบทสนทนาหรือเทรนเอเจนต์ได้ ควรมองเสียงในเดโมเป็น “เพดาน” มากกว่า “พื้น” เพราะ DeepMind ระบุว่า “ความแม่นยำเสียงเรียลไทม์” ยังเป็นหัวข้อวิจัยอยู่

เหตุการณ์หลายขั้นที่ Gemini วางแผน

Gemini 3.8 Flash ทำงานในลูปเป็นตัวเอเจนต์คอยกำกับระหว่างที่ Genie 4 เรนเดอร์ มันจะแตกเป้าหมายเป็นลำดับขั้น ตรวจเฟรมที่เข้ามาเพื่อดูว่าแต่ละขั้นสำเร็จจริงหรือไม่ และเขียนแผนใหม่เมื่อโลกเปลี่ยนหรือคุณแทรกแซง

ลูปนี้ทำให้ฉากมีเหตุและผลที่เชื่อถือได้และมีพฤติกรรมตามกระบวนการ ไม่ใช่แค่ล่องลอยสวยงาม นี่ยังเป็นตัวต่างเชิงเทคนิคที่สุดในรุ่นนี้ เพราะการจำลองถูกควบคุมโดยโมเดลเหตุผล แทนที่จะปล่อยให้รันแบบลูปเปิด

การสร้างสถานการณ์สำหรับหุ่นยนต์ด้วย Gemini 4 Argon

DeepMind จับคู่ Genie 4 เข้ากับ Gemini 4 Argon และ Gemini Robotics Argon จะแยกงานที่ผู้ใช้สั่งเป็นขั้นตอน แล้วสอดแทรกเป็นคำบรรยายข้อความใน Genie 4 ระหว่างเรนเดอร์ เพื่อให้โลกปรับตามความคืบหน้าของงาน ตัวอย่างที่เผยแพร่คือหุ่นยนต์มนุษย์ Apollo ของ Apptronik เล่นหมากฮอส

สำหรับทีมโรบอติกส์ เสน่ห์คือการสร้างสถานการณ์ได้หลากหลายโดยไม่ต้องประกอบสภาพแวดล้อมทีละฉาก ข้อแม้คือโลกเหล่านี้เป็นโลกที่จินตนาการ และในประกาศไม่มีตัวเลขบอกว่า พฤติกรรมที่เรียนรู้ในฉากของ Genie 4 ส่งต่อสู่ฮาร์ดแวร์ได้ดีเพียงใด

Genie 4 ทำคะแนนบนเบนช์มาร์กอย่างไร?

ไม่ได้—อย่างน้อยก็ไม่สาธารณะ ประกาศของ Google ไม่มีตารางเบนช์มาร์ก ไม่มีคะแนน และไม่มีการเทียบกับแบบจำลองโลกตัวอื่น และจนถึงวันที่ 28 ตุลาคม 2026 ยังไม่มีรีวิวภายนอก การประเมินอิสระ หรือการทำซ้ำเบนช์มาร์กของ Genie 4 ในสื่อที่มีอยู่ ทุกคำอ้างด้านความสามารถด้านล่างย้อนกลับไปที่เดโมและผู้ทดสอบของ DeepMind เอง

สิ่งที่ Google เผยแพร่แทนคะแนน

หลักฐานคือคลิปปฏิสัมพันธ์แบบเรียลไทม์ ที่ผู้ใช้เดินสำรวจด้วยคีย์บอร์ดและพิมพ์พรอมต์ปรับฉากระหว่างที่มันเปลี่ยน DeepMind โพสต์บน X ซึ่งมีผู้ชม 276.9K ครั้ง ณ เวลาที่เขียน ระบุ 5 ประเด็น: โฟโตรีอะลิสติกจาก Gemini Omni ฟิสิกส์ขั้นสูง การควบคุมแบบเรียลไทม์ เสียงแบบเนทีฟ และเหตุผลของ Gemini เพื่อคงความสอดคล้องของเหตุการณ์หลายขั้น

เดโมรีลคือช็อตคัดแล้ว จึงควรอ่านเป็น “ค่าบน” ส่วนตัวพรอมต์เองก็น่าเรียนรู้: ยาว แยกเป็นส่วนสภาพแวดล้อมกับตัวละคร และอัดแน่นด้วยข้อห้าม เช่น "ห้ามหน้าตาแบบ CGI" และ "ห้ามแท่นว่างเปล่า"

สิ่งที่ผู้ทดสอบที่เชื่อถือได้รายงาน

DeepMind ทดสอบกับกลุ่มในอุตสาหกรรมครีเอทีฟ สื่อ การศึกษา เกม และวิศวกรรมก่อนพรีวิว ใช้งานที่เล่ามี 4 แบบ ชัดพอจะนำไปใช้ได้:

• การกำกับสร้างสรรค์: ผู้กำกับภาพยนตร์เดินเข้าสู่การจำลองฉากสดและถ่ายหลายเทคแบบเรียลไทม์ ปรับกล้อง แสง บทสนทนา และแอ็กชันได้ทันที
• สถานการณ์ประวัติศาสตร์และภาพถ่ายเชิงดื่มด่ำ: ช่างภาพข่าวแปลงภาพถ่ายจดหมายเหตุ 2 มิติ ใบเดียวให้เป็นการจำลองสภาพแวดล้อมนั้นในไม่กี่วินาที หรือจำลองภาพน้ำป่าหรือไฟป่าลุกลาม
• ออกแบบคอนเซ็ปต์ประสบการณ์เชิงโต้ตอบ: นักพัฒนาเกมพาจากไอเดียไปสู่ต้นแบบที่เดินสำรวจได้ ก่อนจะเขียนโค้ดเอนจินบรรทัดแรก
• การจำลอง: พาร์ทเนอร์องค์กรประเมินเพื่อสร้างสถานการณ์จากศูนย์อย่างรวดเร็ว นอกเหนือจากหุ่นยนต์

คำที่โผล่ซ้ำในฟีดแบ็กคือ “โหมดร่าง” และนั่นน่าจะเป็นการวางตำแหน่งที่ตรงไปตรงมาสำหรับรุ่นนี้

จุดที่ Genie 4 สะดุด

DeepMind พูดตรงอย่างไม่บ่อย ซึ่งน่าชื่นชม รายละเอียดภาพและความคงอยู่ของวัตถุจะเปลี่ยนหรือไหลไปเมื่อเซสชันนานขึ้น หลังแก้ไขพรอมต์ซับซ้อนหลายครั้ง หรือเมื่อคุณเดินสำรวจไปรอบๆ ฉาก

ปัญหาที่ระบุชื่อชัดคือ ปฏิสัมพันธ์ทางกายภาพที่ซับซ้อน ความแม่นยำของเสียงเรียลไทม์ การเรนเดอร์ข้อความให้อ่านออก ความแม่นยำเชิงพื้นที่ และความสม่ำเสมอระยะยาว ประเด็นสุดท้ายคือเพดานปฏิบัติจริง: ถ้าโลกยึดวัตถุของตัวเองไว้ไม่ได้ตลอดเซสชันยาว คุณกำลังทำต้นแบบ ไม่ได้ถ่ายทำจริง

ทิศทางต่อไป: แบบจำลองโลกแบบไฮบริด

ก้าวถัดไปที่ DeepMind ระบุคือแบบจำลองโลกแบบไฮบริด ผสานโครงสร้างเหตุผลจากโค้ดและโมเดลภาษาเข้ากับการจำลองระดับพิกเซล Gemini ทำหน้าที่ทำแผนที่โครงสร้างและวางไทม์ไลน์เชิงเนื้อเรื่อง ขณะที่ Genie เรนเดอร์ว่าตัวโลกหน้าตาอย่างไร มีเสียงอย่างไร และตอบสนองอย่างไร

ลูปของ Gemini 3.8 Flash ในรุ่นนี้คือเวอร์ชันแรกของการแยกบทบาทดังกล่าว ถ้าทำงานได้ดี ก็แก้จุดอ่อนที่ DeepMind ยอมรับเอง: ความสอดคล้องในเซสชันยาวๆ ซึ่งคุณภาพพิกเซลอย่างเดียวแก้ไม่ได้

ราคาและความพร้อมใช้งานของ Genie 4

ยังไม่มีราคาที่เผยแพร่ Google ยังไม่ประกาศค่าใช้จ่ายต่อโทเคนหรือต่อเซสชัน ยังไม่มีรหัสโมเดลใน API และยังไม่มีกำหนดเปิดใช้งานทั่วไป เป็นงานวิจัยเวอร์ชันพรีวิว

การปล่อยใช้งานเป็นขั้น Trusted tester ใช้ได้แล้ว ต่อไปคือผู้สมัครสมาชิก Google AI Ultra ผ่าน Project Genie และพาร์ทเนอร์ early access ผ่าน Gemini API และ Google AI Studio รายชื่อรอของ Project Genie เปิดให้ทุกคน

สำหรับสเกลราคาที่ Google คิดในแนวหน้าส่วนอื่น Gemini 4 Argon คิด $2 ต่อหนึ่งล้านโทเคนขาเข้า และ $10 ต่อหนึ่งล้านโทเคนขาออก ถึง 30 พฤศจิกายน 2026 และจะขึ้นเป็น $4 และ $20 ตั้งแต่ 1 ธันวาคม ตัวเลขนี้ไม่บอกต้นทุนของเซสชันแบบจำลองโลกแบบอินเทอร์แอกทีฟ และ Google ยังไม่พูดถึง

บนแพลตฟอร์มภายนอก Genie 4 ยังไม่อยู่บน OpenRouter และยังไม่อยู่ในแค็ตตาล็อก OpenCode (models.dev) ณ วันที่ 28 ตุลาคม 2026 วิดีโอทุกเฟรมและเสียงทุกวินาทีมี SynthID ลายน้ำที่มองไม่เห็นของ Google และ DeepMind ทำการประเมินความปลอดภัยภายในก่อนเปิดพรีวิว

การกั้นสิทธิ์เข้าถึงเป็นจุดที่ผู้ใช้ขัดใจ ในเธรดเปิดตัวของ DeepMind บน X คำบ่นอันดับต้นคือ Genie 3 ยังไม่ถึงมือผู้สมัคร Pro ครบถ้วนหลังผ่านไปหนึ่งปี ซึ่งเป็นข้อท้วงที่ยุติธรรมเมื่อเจเนอเรชันถัดไปมาพร้อมรายชื่อรออีก

จะเข้าถึง Genie 4 ได้อย่างไร?

ตอนนี้มีสามประตูเข้าสู่ Genie 4 และ Google คุมสองในสาม:

• กลุ่มผู้ทดสอบที่เชื่อถือได้: ปิดแล้ว เป็นกลุ่มที่ DeepMind รับฟีดแบ็กจากสื่อ เกม การศึกษา และวิศวกรรม
• Project Genie สำหรับผู้สมัครสมาชิก Google AI Ultra: กำลังมา พร้อม รายชื่อรอสาธารณะ ที่เข้าร่วมได้ทันที
• Gemini API และ Google AI Studio: เฉพาะพาร์ทเนอร์ early access และยังไม่มีรหัสโมเดลที่เผยแพร่

ไม่ควรเดาสตริง API Google ยังไม่เผยรหัสโมเดล Genie 4 และการเดาจากชื่อการตลาดจะพาคุณไปเจอ 404 ในโค้ดฝั่งไคลเอนต์ จึงยังไม่มีสแนิปเพตที่ควรพิมพ์ตรงนี้

สิ่งที่ทำได้ก่อนเข้าถึงคือเรียนรูปแบบพรอมต์ ซึ่งไม่ใช่แนวสบายๆ เดโมแยกพรอมต์สภาพแวดล้อมออกจากพรอมต์ตัวละคร ระบุพฤติกรรมกล้องอย่างชัดเจน และลงท้ายด้วยข้อห้าม ("ห้ามมุมมองบุคคลที่สาม" "ห้ามโดรนแคม" "ห้ามสไตล์เรนเดอร์ 3D") คู่มือพรอมต์ของ Genie ของ DeepMind คือจุดเริ่ม และบทความ Gemini 4 Argon ของเราครอบคลุมโมเดลที่ทำหน้าที่วางแผนเบื้องหลังฉากเหล่านี้

โครงสร้างพรอมต์ของ Genie 4 จริงๆ เป็นอย่างไร

เดโมใช้แพตเทิร์นที่น่าลอกตาม: พรอมต์สภาพแวดล้อมที่ตรึงฉาก พรอมต์ตัวละครแยกต่างหากที่ตรึงตัวแบบและความสัมพันธ์กับกล้อง แล้วจึงบล็อกข้อห้าม เดโมบอลลูนลมร้อนชิ้นหนึ่งกำหนดมุมมองบุคคลที่หนึ่งจากในตะกร้าหวาย โดยมีขอบหนังทางขวาของเฟรม ก่อนจะบรรยายแผ่นน้ำแข็งแอนตาร์กติกาด้านล่าง

ข้อห้ามคือส่วนที่ทำงานหนัก พรอมต์จะกันหน้าตาแบบวิดีโอเกม โดรนแคม ช็อตมุมไหล่ และแท่นว่างซ้ำๆ ซึ่งบ่งชี้ว่านั่นคือดีฟอลต์ที่ Genie 4 จะถอยกลับไปเมื่อพรอมต์เปิดช่องไว้

ข้อสรุป

Genie 4 เป็นสัญญาณชัดที่สุดว่า DeepMind มอง “การจำลอง” ไม่ใช่แค่ “ข้อความ” ว่าเป็นเส้นทางสู่ AGI และทุ่มศักยภาพแนวหน้าไปทางนั้น ในเดือนเดียวกับที่ OpenAI เล็ง GPT-6.1 Terra ไปที่งานประจำราคาถูกปริมาณมาก Google ก็ส่งเรือธงเอเจนต์ Gemini 4 Argon และแบบจำลองโลกที่ป้อนงานวิจัยหุ่นยนต์ของตน

คุ้มย้ายไปใช้ไหม? ตอนนี้ยังไม่มีอะไรให้ย้าย: ไม่มีราคา ไม่มีรหัสโมเดล ไม่มี API สำหรับผู้ใช้ทั่วไป ถ้าทำงานพรีวิชวลไลเซชัน ต้นแบบเกม หรือจำลองหุ่นยนต์ สมัครรายชื่อรอของ Project Genie และตั้งความคาดหวังไว้ที่คุณภาพระดับ “ร่าง” ซึ่งตรงกับที่ผู้ทดสอบของ DeepMind เองให้ไว้

หากอยากตามให้ทันโมเดล Gemini ที่ทำหน้าที่เหตุผลเบื้องหลัง Genie 4 แนะนำเริ่มจาก เส้นทางทักษะ AI Fundamentals ของเรา