谷歌高管暗示 Veo 3 或可用于游戏开发：可玩世界模型未来可期？

谷歌 DeepMind 的首席执行官 Demis Hassabis 近日在 X 平台（原 Twitter）上对用户关于“能否用 Veo 3 玩游戏”的提问回应称：“这会是件大事吧。”这一简短回复引发了广泛关注。

随后，谷歌 AI Studio 和 Gemini API 产品负责人 Logan Kilpatrick 也以一串 “🤐🤐🤐🤐” 表情符号回应，进一步增添了神秘色彩。尽管目前谷歌官方尚未透露更多细节，但这些来自高层的“戏谑式暗示”无疑激发了业界对其在可玩世界模型方向发展的期待。

世界模型 vs 视频生成模型：本质区别

虽然谷歌最新发布的视频生成模型 Veo 3 在视觉质量和物理模拟方面表现出色，但它仍属于被动输出型视频生成模型，而非真正意义上的“世界模型”。

什么是世界模型？

• 可预测环境变化与行为响应；
• 支持智能体（AI 或人类）实时交互；
• 构建动态、可探索的虚拟世界；
• 实现从输入到反馈的闭环系统。

Veo 3 的定位：

• 擅长生成高质量视频片段（最长 8 秒）；
• 支持语音、音效、背景音乐同步生成；
• 物理模拟逼真，适用于电影化叙事；
• 尚未具备实时交互和动态响应能力。

换句话说，Veo 3 是一个视觉生成引擎，而非一个可被“游玩”的世界。

谷歌在世界模型上的布局与进展

尽管 Veo 3 尚未达到世界模型的标准，但谷歌在该领域已有深厚积累，并展现出明确的技术路线图。

✅ Genie 2：迈向可玩世界的一步

2024 年 12 月，DeepMind 发布了 Genie 2，一个基于自回归潜在扩散模型的框架，能够通过单张图像生成无限多样的 3D 世界，并支持键盘和鼠标交互。

• 基于大规模视频数据训练；
• 模拟物体交互、动画、物理、光照和 NPC 行为；
• 已被视为“大型现实模型”的代表之一。

✅ 新团队组建：专注现实模拟模型

2025 年初，谷歌成立了一个由前 OpenAI Sora 项目联合负责人 Tim Brooks 领导的新团队，目标是构建能够模拟真实世界动态的 AI 模型。此举表明，谷歌正在加速向 AGI（通用人工智能）迈进。

💡 Veo 3 的潜力与局限性

✔️ 优势

• 高质量视频生成能力；
• 精准的物理动作模拟；
• 支持语音、音效、背景音乐；
• 可用于游戏中的过场动画、预告片制作等。

❌ 局限

• 仅生成固定长度视频片段；
• 缺乏实时互动与动态反馈；
• 不支持玩家输入驱动的场景演变；
• 当前仍属“展示型”模型。

因此，尽管 Veo 3 在视觉呈现上令人惊艳，它仍无法实现真正的“可玩性”。

🔄 可能的发展路径：混合架构成为突破口

要让 Veo 3 成为可玩世界模型的一部分，谷歌可能采取一种混合方法：

这种组合方式不仅能够利用 Veo 3 的视觉生成能力，还能借助 Genie 2 的交互式世界生成技术，推动游戏、虚拟现实、教育等领域的创新应用。

竞争格局：谷歌并非唯一挑战者

谷歌并非唯一一家在探索世界模型的公司：

• World Labs（李飞飞创立）：能从单一图像生成类游戏的 3D 场景，具备空间记忆能力。
• OpenAI Sora：视频生成能力强大，但尚未公开交互功能。
• Scenario、Runway、Pika：各自在视频生成与编辑方面持续突破。
• 微软：结合其 Azure AI 云服务和大模型资源，也在推进相关研究。

不过，凭借 Gemini 模型、DeepMind 技术实力以及 YouTube、Google Maps 等庞大数据资源，谷歌在构建复杂世界模型方面仍具有显著优势。

社区与行业观点：期待与质疑并存

X 平台上的讨论反映出两种声音：

• 乐观派：认为 Veo 3 的物理模拟能力接近世界模型门槛，未来可期；
• 理性派：指出当前模型仍为“预设内容”，距离真正可交互、可修改的世界还有距离。

此外，也有开发者担忧谷歌在将前沿研究成果产品化方面的执行力，认为其在落地速度上可能落后于一些初创企业，如 World Labs 和以色列的 Decart。