當(dāng)?shù)貢r間 8 月 5 日，谷歌 DeepMind 發(fā)布了其“世界模型”（World Model）的最新版本——Genie 3。該模型能夠根據(jù)用戶的文本或圖像提示，實時生成可供用戶及 AI 智能體（AI agent）進(jìn)行互動的 3D 虛擬環(huán)境。相比前代產(chǎn)品，Genie 3 實現(xiàn)了向?qū)崟r可交互虛擬世界模擬的重大跨越，尤其在互動時長和記憶連貫性上取得了巨大進(jìn)步。

所謂“世界模型”，是一種旨在理解并模擬世界運行規(guī)律的 AI 系統(tǒng)。不同于傳統(tǒng)的電子游戲需要開發(fā)者預(yù)先制作好所有 3D 資產(chǎn)和環(huán)境，世界模型可以僅憑一句指令，如“一個正在下雨的賽博朋克城市”或“一片陽光明媚的奇幻森林”，便能即時“創(chuàng)造”出一個對應(yīng)的空間供用戶進(jìn)入探索。DeepMind 在這一領(lǐng)域已深耕十余年，從訓(xùn)練能夠掌握復(fù)雜即時戰(zhàn)略游戲的 AI，到為機器人和開放式學(xué)習(xí)開發(fā)模擬環(huán)境，Genie 系列模型正是這些研究的集大成者。

Genie 3 的核心突破在于其“實時交互性”和“長時程一致性”。此前的版本，如 2024 年 12 月發(fā)布的 Genie 2，雖然也能根據(jù)圖像生成可互動的世界，但交互時間僅有 10 到 20 秒，且并非實時進(jìn)行，分辨率也停留在 360p。而 Genie 3 則實現(xiàn)了質(zhì)的提升，它能以 720p 的分辨率和每秒 24 幀（24fps）的速率流暢運行，用戶可以持續(xù)進(jìn)行長達(dá)數(shù)分鐘的互動。

圖丨Genie 3 的重要參數(shù)對比（DeepMind）

更重要的是，Genie 3 擁有了初步的“記憶”能力。在其技術(shù)演示中，模型能夠維持大約一分鐘的視覺記憶。如果一個用戶在一個生成的房間墻壁上涂鴉，然后轉(zhuǎn)身探索別處，過一會再回到原地，墻上的涂鴉依舊會保留。這種對環(huán)境狀態(tài)的持續(xù)性記憶，是營造沉浸式體驗的關(guān)鍵，它解決了前代模型在長時間交互后容易出現(xiàn)內(nèi)容“遺忘”或前后矛盾的問題。DeepMind 的研究人員指出，這種長時程的一致性是一種涌現(xiàn)能力，并非被直接編碼到模型中，這使得 Genie 3 生成的世界遠(yuǎn)比過去更加動態(tài)和豐富。

除了基礎(chǔ)的導(dǎo)航探索，Genie 3 還引入了一項名為“可提示的世界事件”（promptable World Events）的功能。這允許用戶在交互過程中，通過新的文本指令動態(tài)地改變世界。比如，用戶可以在一個寧靜的滑雪場景中輸入指令“加入一群鹿”，模型便會實時在環(huán)境中生成相應(yīng)的動態(tài)角色。

同樣，用戶也可以通過指令改變天氣、添加物體，甚至召喚出完全不合常理的角色，如“穿著天鵝絨背心的大猩猩”。這種能力極大地增強了交互的自由度和創(chuàng)造性，使得這些 AI 生成的世界更像一個可以隨意修改的“沙盒”，而不僅僅是一個被動探索的環(huán)境。

那么，谷歌為何要大力投入研發(fā)這樣的世界模型？其應(yīng)用遠(yuǎn)不僅限于游戲和娛樂。DeepMind 認(rèn)為，Genie 3 更深遠(yuǎn)的目標(biāo)在于推動通用人工智能（AGI，Artificial General Intelligence）的發(fā)展。研究人員認(rèn)為，世界模型是通往 AGI 的關(guān)鍵基石，因為它們能夠為 AI Agent 提供一個近乎無限的、豐富多樣的模擬環(huán)境來進(jìn)行訓(xùn)練。

為了驗證這一點，DeepMind 已經(jīng)將 Genie 3 用于其通用 AI 智能體 SIMA（Scalable, Instructable, Multiworld Agent）的訓(xùn)練。SIMA 的目標(biāo)是學(xué)習(xí)在各種不同的 3D 虛擬環(huán)境中遵循自然語言指令來完成任務(wù)。通過在 Genie 3 生成的無數(shù)個世界中進(jìn)行訓(xùn)練，SIMA 可以學(xué)習(xí)如何導(dǎo)航、與物體互動以及適應(yīng)不可預(yù)見的突發(fā)狀況，例如，指示 Agent 在一個虛擬花園里完成“靠近水管”這樣的任務(wù)。這種方式為訓(xùn)練更強大、更通用的具身智能體（embodied agents），例如未來可能應(yīng)用于工業(yè)、物流領(lǐng)域的自主機器人，提供了成本更低、效率更高且環(huán)境更多樣化的解決方案。

不過，雖然 Genie 3 取得了巨大進(jìn)步，但其目前仍存在諸多局限性。首先，Agent 本身能夠執(zhí)行的動作范圍（action space）仍然有限，許多復(fù)雜的環(huán)境干預(yù)需要通過文本提示而非 Agent 的直接操作來完成。其次，模型在模擬多個獨立的 AI 智能體在共享環(huán)境中進(jìn)行復(fù)雜互動方面仍面臨挑戰(zhàn)。

此外，Genie 3 目前還無法以完美地理精度模擬現(xiàn)實世界中的真實地點，并且其文本渲染能力較弱，通常只有在輸入提示詞中明確提供時，才能生成清晰易讀的文字。最后，雖然“數(shù)分鐘”的互動時長已是巨大進(jìn)步，但這與真正意義上可以長時間游玩的電子游戲或進(jìn)行長期模擬的科學(xué)研究相比，仍有不小的距離。

目前，Genie 3 并不會向公眾開放。谷歌僅提供一個“有限研究預(yù)覽版”給一小部分經(jīng)過挑選的學(xué)者和創(chuàng)作者使用。谷歌表示，此舉的目的是為了在更廣泛地推廣這項技術(shù)之前，能夠更好地理解其潛在的風(fēng)險和挑戰(zhàn)，并與社區(qū)合作，以負(fù)責(zé)任的方式推動技術(shù)發(fā)展。

雖然距離打造出如《星際迷航》中“全息甲板”那樣的終極虛擬現(xiàn)實體驗還有很長的路要走，但 Genie 3 作為第一個真正意義上實現(xiàn)了實時交互的通用世界模型，已經(jīng)清晰地展示了這樣一條技術(shù)路徑的可能性。