60 秒变成 180 秒。
这不是视频变长。是一个世界能待的时间,变成原来的 3 倍。
11 月 18 日,Genie 4 在 Project Genie 里向符合条件的 Google AI Ultra 订阅用户开放。此前它只是研究预览。
研究预览和订阅之间,隔的不是模型,是一个货架。
3 分钟是内容单位
60 秒是一条竖屏短视频的长度。
3 分钟是 1 集短剧里一个片段的长度。
这 2 个数字都长在内容行业里,不长在工业软件里。工业仿真不说“能玩几分钟”,它说步长、收敛、误差、置信区间;一个工况跑完要等,等的时候没人在乎它可不可交互。内容行业反过来,1 切都按“用户愿意待多久”算。所以 60 秒到 3 分钟,改的不是算力,是产品形态:从“生成一段世界”变成“在一个世界里待 1 会儿”。
待 1 会儿,才有停留时长。
有停留时长,才谈得上订阅。
时长这个指标,只有内容行业认。工业客户签合同看的是验收标准,不看你能玩多久。一个车厂不会因为“能连续交互 3 分钟”就多付钱,它只会问这套仿真能不能替代一次实车碰撞。所以谷歌把时长当成卖点,等于把客户群先划定了:它要的是按月付费的个人,不是按项目付费的企业。
这个选择不难理解。
个人付钱快,企业付钱慢。个人一个月不续费就走,企业一个项目从立项到验收要一年。
世界模型到底新在哪
先把词说清楚。
视频生成是给定一句提示词,出一段固定的片子,出完就结束。世界模型是你在里面走一步,它算一步,画面跟着你的操作变。区别不在画质,在接不接指令。
接指令这件事,比看上去难。它得记住上一秒发生了什么,还得让下一秒跟上一秒对得上:房子不能走着走着换一个朝向,人物不能转身之后换了一张脸。这种“记得住、接得上”,才是世界模型贵的地方。它不是在生成一张图,它是在维持一个状态。这一点,视频模型做不到:它的每 1 帧都是新的,帧与帧之间只对齐画风,不对齐因果。
Genie 4 这次把接指令摆到了台面上。
中途用文字改天气、加角色、改剧情。音效是原生生成的,跟着场景变。新增一个 Project Genie agent,用对话把世界搭起来。还有一个画廊,可以发布自己的世界,也可以 remix 别人的。
5 项能力,没有一项是跑分。
音效这项最容易被忽略。画面变了,声音跟着变,说明它不是先渲完再配音,是边跑边生成。这一步跨过去,“世界”就从一段素材变成了一个现场。现场感是内容消费的核心,人看短视频要的是现场感,不是分辨率。声音还比画面更难骗人:画面卡 1 帧,人未必看得出;声音断一下,人立刻就察觉。
画廊这项更关键。
remix 是内容平台的标志动作。能 remix,才有创作者;有创作者,才有分类、榜单、二创。假如一个世界被 remix 10 次,最初那句提示词的价值就被放大 10 次。这是 UGC 的算法,不是工具的算法。工具按份卖,一次一份;平台按流量分,越用越值钱。画廊还解决冷启动:新用户进来,先看别人的世界,不用自己从一句提示词开始。
谷歌这次选的是后者。
同一周,另一条路开源了
11 月 16 日,华为云发布并开源了昇腾原生的具身世界模型 CloudRobo-WM1.2。
它在 RoboTwin 2.0 与 LiberoPro 2.0 两项仿真评测上拿了总榜第 1。
时间差了 2 天。
一个收月费,一个开源。都叫世界模型,客户不是同一批人。
CloudRobo 的客户是机器人公司。它要的是仿真里的接触、摩擦、抓取成功率,是“这个策略在真机上能不能活”。这类需求按项目走,按台数走,按数据量走,不按人头走。开源是它的分发方式:先把开发者拉进来,用别人的场景喂自己的模型,再在服务和定制上收钱。开源还有一层账:模型给出去,场景数据收回来。谁的机器人在真实产线上跑,谁的数据就帮它改下一版。
这笔账,写在服务器上。
Genie 4 的客户是订阅用户。它要的是“我改一句天气,世界就下雨”。
同一个技术名词,2 种生意。一种卖给企业,一种卖给个人。企业那门更贵,但更慢;个人那门更便宜,但可以按月续。谷歌先开了个人这扇门,不是因为企业那门不重要,是因为那扇门口已经站了人。
它现在还不能干什么
把这次公布的能力逐条看,没有一条提到物理精度。
也没有提到可导出的资产格式,没有提到传感器仿真,没有提到机器人训练接口。
这 4 项,恰好是“拿世界模型训练机器人”必须过的 4 道关。
订阅卖的是持续的新鲜感。
世界变成了内容。
订阅卖的是持续的新鲜感。
世界变成了内容。
机器人要在仿真里学会抓杯子,得知道杯子的摩擦系数、质量分布、光照一致性。抓空一次,策略就偏一点。这些参数不写进模型,仿真里练得再好,真机上照样摔。现在做具身模型的团队,花最多时间的不是搭网络,是校准这些参数:摩擦力对不对、延迟补没补、相机的曝光跟不跟真机一致。这些活不上台面,但决定模型能不能出实验室。
订阅卖的是持续的新鲜感。
Genie 4 公布的 5 项能力,没有一项碰这些。
所以它现在的定位很清楚:给人玩。
这不是贬低。给人玩是 1 门大生意,而且比给机器人练更早收得到钱。因为人不需要精度,人只要能改天气。人对穿帮的容忍度也高:一个角色手指多 1 根,观众笑一下就过去了;一个机械臂抓偏 2 厘米,产线就停了。
容忍度决定商用顺序。
内容先商用,工业后商用,不是因为内容技术更难,是因为内容容错更高。
谁为造世界付钱
算一笔时间账。
一次会话 3 分钟,1 小时最多 20 次。以前 60 秒,1 小时 60 次。单位时间里的生成次数,掉到原来的 1/3。
但单次停留从一分钟变成 3 分钟。
对订阅制来说,后一个数比前一个数重要。生成次数是成本,停留时长是价值。把生成次数压到 1/3、把停留时长抬到 3 倍,这笔账的方向是对的。
前提是用户真的待满 3 分钟。
如果用户 40 秒就关掉,3 分钟只是个上限,不是平均值。上限不要钱,平均值才要钱。订阅生意最怕的就是这个:定价按上限设,成本按平均值出,中间那段落差就是亏损。
所以真正的问题不是“模型能不能生成 3 分钟”,是“这 3 分钟里有没有事情发生”。现在的答案是有:改天气、加角色、改剧情、听音效。4 件事,够撑一段,不够撑 1 集。1 集要有人物动机、有冲突、有转折,这些现在还得靠人写提示词。模型能维持一个世界,维持不了一个故事。
这也是为什么画廊重要。自己造世界要付算力,玩别人的世界只要付订阅。平台把“生成”的成本摊到“消费”上,这是内容行业做了很多年的老办法:先有人生产,再有人分发,最后平台收租。画廊就是那个分发口。自己造,算力按次计;看别人造好的,算力由创作者先付过一遍。平台省下的不是电费,是重复生成。
内容供给,从此有了网络效应。
英伟达卖 GPU 小时,卖的是造世界用的电。
谷歌在这里卖月租,卖的是造世界的那间房子。
2 条卖铲子的路,一条按度电收,一条按房租收。电的价格随供需波动,房租的价格随续费率波动。前者弹性大,后者更稳,但天花板也更低:一个用户一个月只交一次,交多少,全看这 3 分钟值不值。
留一个问题:如果 3 分钟是产品上限,不是技术上限,那世界模型就不打算做仿真;如果它是技术上限,那这门月费生意,现在卖的只是一个 3 分钟的预告片。
免责声明:本文基于公开信息撰写,仅供读者参考,不构成任何投资建议。