紧跟Sora，谷歌推出Genie，AI战火烧到了“世界模拟器”

图片来源：视觉中国

2月26日，谷歌Deep Mind团队发布基础世界模型Genie，一个虚拟生成的可交互环境，110 亿参数，通过给模型投喂视频数据进行训练，生成照片、草图甚至可以操控的虚拟世界。

Genie是在没有任何动作标签的情况下进行训练的，而传统AI是需要人给图片打标签来训练AI识别图片。这意味着Genie需要从视频中自行识别不同动作的特征和模式。

Genie生成的视频。图片来源：Google Genie官网

谷歌表示："Genie的独特之处在于它能够专门从互联网视频中学习细颗粒度的控制。这是一个挑战，因为互联网视频通常不会标注其正在执行哪个动作、应该控制图像中的哪一部分。Genie不仅了解观察的哪些部分是可控制的，而且能根据生成的环境来推测出多种潜在的动作。请注意相同的潜在操作如何在不同的提示图像下产生相似的行为。"

根据蓝鲸财经记者观察，这是指当给Genie提供不同的图像（类似不同版本的马里奥通关环境）时，图像中的小人能在遇到障碍时表现出同样的弹跳、躲避障碍的动作，且符合物理规律。

从谷歌Genie目前展示的案例来看，这些视频非常卡通化。官网也表示："我们专注于 2D 平台游戏和机器人技术的视频，但我们的方法是通用的，应该适用于任何类型的领域，并且可以扩展到更大的互联网数据集。"

Genie生成的机械臂视频。图片来源：Google Genie官网

在官网上，Genie也生成了模拟机器人动作的视频。Genie团队训练了一个较小的 2.5B 模型，与游戏平台的情况一样，具有相同潜在动作序列的轨迹通常会表现出相似的行为。这表明 Genie 能够学习符合一贯规律的动作空间，可能适合训练多面手智能体（机械臂）。Genie 还可以模拟可以变形的物体。

与竞争对手OpenAI两周前火遍全球的文生视频模型Sora相同，Genie同样是一个"物理世界模拟器"，能够在虚拟世界中做物理世界的实验。不同的是，Sora是直接从文字生成视频，这更加"大力出奇迹"，且生成视频长度可达一分钟；而Genie从目前官网披露的情况看，大部分情况下需要先用文生图模型来生成起始帧图片，再用Genie 生成视频，且视频在一两秒左右，更像是动图。

如果只把Sora、Genie当做生成视频的影视工具，就大材小用了。实际上，OpenAI对于Sora的定位是作为"世界模拟器的视频生成模型"，谷歌对Genie的定义是基础世界模型，能够合成可操控的虚拟世界。

那么"世界模拟器"到底是什么？OpenAI官方早在2016年就作了诠释：

"我们常常会忽略自己对世界的深刻理解：比如，你知道这个世界由三维空间构成，里面的物体能够移动、相撞、互动；人们可以行走、交谈、思考；动物能够觅食、飞翔、奔跑或吠叫；显示屏上能展示用语言编码的信息，比如天气状况、篮球比赛的胜者，或者1970年发生的事件。这样庞大的信息量就摆在那里，而且很大程度上容易获得——不论是在由原子构成的物理世界，还是由数字构成的虚拟世界。挑战在于，我们需要开发出能够分析并理解这些海量数据的模型和算法。生成模型是朝向这个目标迈进的最有希望的方法之一。要训练一个生成模型，我们首先会在某个领域收集大量的数据（想象一下，数以百万计的图片、文本或声音等），然后训练这个模型去创造类似的数据。这个方法的灵感来自于理查德·费曼的一句名言："我所无法创造的，我也不能理解。"（即：要真正理解一个事物，你需要去创造它）这个方法的妙处在于，我们使用的神经网络作为生成模型，其参数的数量远远少于训练它们的数据量，这迫使模型必须发现并有效地吸收数据的精髓，以便能够创造出新的数据。

Sora生成的一个视频中，跑步机倒着跑。图片来源：OpenAI Sora官网

Sora、Genie的本质是"世界模拟器"，让虚拟世界模仿现实物理世界的各种属性（重力、摩擦力、动能、光、声、电、材料、生物等等），在虚拟世界中操控物体动作，在仿真的物理条件下来做实验。

Sora此前发布视频中的金毛犬、吹蜡烛的老太太、冰川上的猛犸象等，都是Sora通过视频数据集来"理解"现实世界是如何构成的、有什么物理规律、人类有怎样的行为，来模拟生成的。所以，Sora自行理解提炼的模拟世界中的规律也可能不符合现实物理世界，比如老太太吹不灭蜡烛、人在跑步机上倒着走、篮球直接穿篮而过等等。

世界模型的一个好处或许在于，人类可以把需要试错的部分放在虚拟世界中进行。

在谷歌发布的Genie之前，有不少视频生成模型在全球火爆。2023年12月底，Pika Labs推出Pika 1.0，生成视频长度在3秒左右，以单镜头为主。Runway视频模型于2023年2月发布，支持最多18s视频生成，镜头相对固定。2024年2月16日，全球明星AI创业公司OpenAI发布文生视频模型Sora，有精细的画质、多镜头拍摄、多角度运镜，对于真实人类世界的模拟度极高。