Google 扔出 Genie 4 的時候，大概沒預期到技術圈的反應會這麼兩極。那段號稱「超寫實 35mm 電影視角」的演示畫面，在懂行的人眼裡，反而像是一場精心編排的視覺騙局。世界模型這個概念被捧得太高，高到大家都忘了，如果一個模擬器無法對即時輸入做出精確響應，它頂多只是個會動的畫框。
目前的技術邏輯是把視訊生成與動作控制強行縫合。Google 在 Genie 4 裡試圖展示一種無中生有的能力，讓模型在沒有物理引擎的情況下，單憑對大量影像數據的預測來構建空間。但在實際的操作錄影中，那組控制按鈕與畫面變化的延遲感非常微妙。有人質疑這只是在 AI 生成的影片上疊加了 UI 元件，而非真正的即時互動。這種懷疑並非空穴來風，當畫面中的光影折射與物理碰撞表現得越像「電影」，那種屬於遊戲引擎的邏輯嚴密性就越顯得稀薄。
Gemini 的底層架構在處理這類時空一致性任務時，表現出一種奇怪的斷裂。一方面，它能處理極長的上下文，理論上能記住幾分鐘前的空間布局；另一方面，在具體的幀間預測上，它又經常出現邏輯坍塌。這跟 ChatGPT 在處理類似任務時的邏輯不同。OpenAI 的 Sora 雖然也標榜世界模型，但它更傾向於靜態的、由文字驅動的視覺奇觀，而 Google 顯然更想切入模擬引擎的賽道。這種野心在 35mm 鏡頭語言的提示詞裡暴露無遺，卻也讓技術評論者感到一絲焦慮：當我們用「提示詞」來修補模型的物理缺陷時，這究竟是技術進步，還是另一種形式的過度包裝。
在這種技術堆疊的競賽中，環境的差異感變得非常有意思。相較於 Kimi K3.1 Pro Highspeed，Google 選擇在多模態的物理模擬邊界上死磕，試圖證明神經網絡能直接取代傳統的光柵化渲染。然而，Gemini 系列在語音轉文字（STT）與影像生成的協同上，卻出現了令人噴飯的低級錯誤。官方演示影片中的自動字幕甚至無法準確識別自家的技術名詞，這種「一手抓尖端視覺，一手放任基礎語音」的資源配置方式，確實很符合 Google 一貫的產品風格。
與此同時，Claude 在這場世界模型的混戰中保持了一種克制的沉默。Anthropic 似乎更專注於提升模型在長文本中的邏輯推理穩定性，而非急著去渲染一場虛擬遊戲。如果你把同樣的空間邏輯題丟給 Claude，它能精確地告訴你一個球體在特定重力下彈跳的座標序列，但它吐不出像 Genie 4 那樣華麗的彩色玻璃景觀。這反映了兩條完全不同的路徑：是要一個能算準物理法則的腦袋，還是要一個能畫出物理假象的畫筆。
Grok 則在另一端試圖透過大量的真實世界數據（特別是駕駛數據）來餵養它的空間感，那種路徑依賴的是暴力美學。對比之下，Google 的做法更像是實驗室裡的盆栽，精緻、昂貴，但在脫離了特定提示詞的溫室後，它的互動性就會迅速崩潰。這種「看起來很美」的模擬引擎，如果不能解決輸入反饋的延遲與邏輯一致性，最終可能只會淪為串流媒體後台的一種特殊特效，而不是我們期待中的、可以隨意探索的數位宇宙。
我們正處於一個很尷尬的節點。算力被大量揮霍在「讓畫面看起來更真實」上，而非「讓邏輯運行得更真實」。如果未來所有的 3A 大作都不再需要發布二進位檔案，而是直接在雲端由模型即時模擬並串流到終端，那麼遊戲玩家失去的可能不只是所有權。
當模型學會了模擬 35mm 的電影感，卻依然無法精確處理一個角色撞牆後的物理反饋時，我們到底是在進化，還是在集體退化回一種昂貴的視覺幻覺裡？如果連基礎的語音辨識都能在自家旗艦產品的演示中翻車，我們真的能放心把現實世界的物理規則交給這類神經網絡去定義嗎？