【新智元导读】Genie 3来了！这或许是最接近「模拟世界」的AI魔法。只需一句话，它就能生成一个动态、可互动的世界——角色能互动、下水会溅起水花，甚至还能记住一分钟前的细节。DeepMind研究者直言：Genie 3是通向AGI的关键一步。 去年，他们推出了首批基础世界模型Genie 1和Genie 2，它们能为智能体生成全新的环境。此外，他们还通过Veo 2和Veo 3等视频生成模型，不断提升对直观物理的理解能力。 即便是参与Genie 3的内部成员，第一次看到上面刷墙的示例时也不敢相信，需要再三观看、逐帧检查，才确定这真的是模型生成的。 其实，Genie 2就已经具备了一些「记忆能力」。但当时，整个AI界太多令人激动的模型发布，比如Veo 2模型几天后也发布了。而且，当时谷歌主打的卖点是「可以生成新的世界」，所以记忆能力就没被强调出来。 说实话，直到项目快结束时，在看到最终样本的那一刻，他们依然感到震撼。这种成果即使是预期中的，真的实现的时候还是非常令人兴奋。毕竟，研究项目永远不会有百分百的确定性。 在设计上，他们还有一个明确的方向，就是不采用「显式表示法」。市面上已有一些方法，比如用NeRF或Gaussian Splatting等技术，通过构建明确的3D世界结构，来达到一致性。这些方法很好，在某些应用上效果不错。 尽管不如语言模型在推理能力上的涌现表现，Genie 3依然涌现出一些令人惊讶的行为。比如说，如果一个角色靠近一扇门，模型可能就会「推测」角色应该打开门；这类符合人类直觉的行为，模型现在能在一定程度上表现出来了。 换句话说，他们并没有为这些行为做专门的训练或设计，而是模型自己「学」出来的。它通过足够丰富的训练数据，掌握了这个「世界」的通用常识。大多数时候，它表现非常不错。 在「指令跟随/文本对齐」，Genie 3也得到了提升，这主要得益于DeepMind内部不同项目（特别是Veo项目）的经验迁移和知识共享。这种跨团队协作是DeepMind的优势。 但总的来说，Genie 3团队最关注的始终是一件事：让模型本身变得尽可能强大，让它能产生更广泛的影响，然后把创造应用的机会交给其他团队。 而Genie 3能生成几乎无限的场景，这样一来机器人就能在虚拟世界里学习，而不再局限于现实中能采集到的视频。这个想法真的很令人兴奋。 如果人类真的生活在一个模拟世界里，那它绝对不是运行在现在的硬件上的。因为我们的世界是连续的，而不是数字化的。
