谷歌DeepMind 发布首个实时交互式通用世界模型Genie 3

谷歌 DeepMind 近日发布其最新基础模型——Genie 3，一个可生成交互式 3D 环境的通用世界模型（World Model），并宣称这是通往人工通用智能（AGI） 的关键一步。

与以往局限于特定场景的模拟系统不同，Genie 3 能够通过文本提示，生成从逼真照片级环境到幻想世界的多样化场景，并支持长时间、物理一致的实时交互。

尽管目前仍处于研究预览阶段，尚未公开可用，但其能力已引发广泛关注。

什么是世界模型？为什么它如此重要？

“世界模型”是 AI 系统对物理世界的内部模拟机制，类似于人类大脑对环境的预测与理解能力。

在具身智能（embodied AI）中，代理（agent）需要在一个动态环境中感知、决策、行动并从反馈中学习。传统方法依赖硬编码的物理引擎（如 Unity 或 Unreal），但这类系统缺乏泛化能力，难以模拟真实世界的复杂性与不确定性。

Genie 3 的突破在于：

它不依赖外部物理引擎，而是通过自回归生成，自主学习世界的运行规律。

正如 DeepMind 研究总监 Shlomi Fruchter 所言：

“Genie 3 是首个实时交互的通用世界模型，可生成逼真的、想象的，或介于两者之间的任何世界。”

核心能力：从提示到持续交互

Genie 3 建立在两个关键技术基础之上：

1. Genie 2：前代模型，已具备为 AI 代理生成新环境的能力；
2. Veo 3：DeepMind 最新的视频生成模型，据称对物理规律有深入理解。

在此基础上，Genie 3 实现了多项关键升级：

• 720p 分辨率，24fps，支持数分钟的连续生成（远超 Genie 2 的 10–20 秒）；
• 支持可提示的世界事件：用户可通过自然语言干预环境，如“让天气变雨”或“添加障碍物”；
• 模型具备长期记忆能力：能记住已生成的内容，确保时间上的物理一致性；
• 完全自回归架构：逐帧生成，每一帧都基于前序帧进行推理。

Fruchter 解释：

“该模型一次生成一帧，必须回顾之前的内容来决定下一步发生什么。这是架构的核心。”

这种机制使 Genie 3 能“理解”物体如何移动、坠落、碰撞，甚至预测玻璃杯在桌边摇晃后将掉落——尽管这些规则并未被显式编程。

为通用代理训练提供理想沙盒

Genie 3 的真正价值，在于它为训练通用 AI 代理提供了可扩展、多样化的模拟环境。

在演示中，DeepMind 将 Genie 3 与其最新通用代理 SIMA（Scalable Instructable Multiworld Agent）结合测试。任务包括：

• “靠近亮绿色垃圾压缩机”
• “走向装满货物的红色叉车”

结果显示，SIMA 代理在所有测试中均成功完成目标。Parker-Holder 表示：

“代理接收指令，观察模拟世界，并采取行动。Genie 3 负责向前推进模拟，其一致性是代理成功的关键。”

这意味着：
AI 代理不再只是对输入做出反应，而是在一个连贯、可预测的环境中进行规划、探索与试错学习——这正是人类和动物学习的核心方式。

潜在应用：不止于 AGI

虽然 Genie 3 的主要目标是推动 AGI 研究，但其能力也适用于多个现实场景：

• 教育：创建可交互的科学实验或历史场景；
• 游戏开发：快速生成可玩原型与动态关卡；
• 创意设计：用于建筑、影视等领域的概念验证；
• 机器人训练：在安全虚拟环境中测试复杂行为策略。

当前局限：距离“真实物理”仍有差距

尽管能力惊人，Genie 3 仍存在明显局限：

• 物理模拟尚不完美：例如，滑雪者冲下山坡的演示中，雪花未正确反映相对运动；
• 代理动作受限：当前可执行的动作集有限，无法实现复杂操作；
• 环境干预非代理自主：“可提示事件”由外部触发，而非代理自身发起；
• 交互时长不足：仅支持几分钟连续交互，远未达到长期训练所需；
• 多代理交互挑战：精确建模多个智能体在共享环境中的互动仍具难度。

此外，该模型尚未开放，仅限 DeepMind 内部研究使用。

迈向“第37步时刻”？

在发布会中，研究科学家 Jack Parker-Holder 提到了 AlphaGo 与李世乭对弈中的“第37步”——那是一步人类棋手几乎不会考虑的落子，却展现了 AI 超越人类直觉的战略能力。

他表示：

“我们尚未迎来具身代理的‘第37步时刻’，即它们在现实世界中做出真正新颖、创造性行动的瞬间。”

但 Genie 3 的出现，可能正将我们带入这样一个新时代的门槛。

它让 AI 代理有机会在自我维持的、物理一致的虚拟世界中，通过经验学习因果、规划路径、应对不确定性——这些正是通用智能的基石。（来源）