AI 能造世界了？谷歌 DeepMind 的 Genie 3 分秒生成《死亡搁浅》

不再是一花一世界，而是「一话一世界」。

作者｜Moonshot

编辑｜靖宇

如果说过去几年，生成式 AI 的突破让我们学会了和算法对话，能让它帮我们写文章、画插画、甚至剪视频，那么 DeepMind 在这个今天抛出的 Genie 3，又让生成式 AI 走进了另一个维度。

8 月 5 日，DeepMind 在官网公布了 Genie 3，一款被称作「通用世界模型」的新模型。

打开 Genie 3，输入一句 prompt「在一个暴风雨中的中世纪村庄漫步」，几秒钟后，Genie 3 就可以生成一片可以探索、可实时交互的 3D 场景，在湿漉漉的村庄，石板路上反射着雷电的光芒，你可以控制视角，在村庄里自由漫步，你走近一间小屋推开门，能看到炉火在风中摇曳的光影变化。

更神奇的是，当你离开小屋再返回，炉火还在，墙上的涂鸦也没变，此时你在指令框中输入「雨过天晴，屋外有一名骑士骑马而来。」几秒钟后，你就能再次推门而出，迎接骑士的光临。

这一刻，你宛若小小世界的造物主，这就是 Genie 3 所呈现的「通用世界模型」的生成能力。而 Genie 3 的强大能力，让谷歌在激烈的 AI 竞争中，又扳回了一分。

01

指尖创造世界

Genie 3 的前身是 2024 年底发布的 Genie 2，那时的模型虽然能生成简单的 3D 环境，但场景只能维持 10 到 20 秒，细节粗糙且经不起考验，视角稍一转头，树木可能漂浮，角色可能凭空消失，物体位置会随机变化。

短短七个月，Genie 3 实现了惊人飞跃。

从 360p 分辨率跃升到了 720p 分辨率、24 帧每秒的画面输出，Genie 3 还可以维持连续数分钟的模拟，而不是十几秒的动画片段。

更关键的是，Genie 3 不是像游戏引擎那样靠硬编码物理，而是通过模型预测，保持场景逻辑和物理一致性。简单来说，场景里的树叶会自然晃动而不是乱飞，角色的阴影随位置移动，物体在碰撞后也会给出符合物理规律的反馈。

通过详细地指令，就可以生成宛若《死亡搁浅》一般的场景｜图源：DeepMind

过去，不论是 Sora 这样的文本转视频模型，还是早期的 Genie 系列，都难以解决「世界一致性」的难题。

而 Genie 3 则引入了新的视觉记忆机制，让每一帧都参考前一帧的状态，并持续维护整个环境的布局。这意味着，走过的路不会在你回头时凭空消失，树木、岩石、建筑会稳定地保持在原地，仿佛真的存在于一个连续的空间。

简单说，就是模型学会了「记住」自己刚才画过什么。于是，你不再看到那种突兀的跳变，而是看到了连续、可持续几分钟的世界。

Genie 3 已经能记住生成的物体｜图片来源：Genie 3

DeepMind 在博客中直言，这类世界模型是通用智能的基石，因为真正的智能不仅需要理解世界，还要能在世界中做决策、采取行动，而这一切只能在稳定的、逻辑一致的环境里发生。

这也是为什么 DeepMind 把它称为「世界模型」而非单纯的「视频生成器」。

生成场景符合物理规律｜图片来源：Genie 3

传统的生成视频模型，比如 Sora，可以把一段文本描述转换成 30 秒的视频，但本质上仍然是「一段封闭的片段」。你不能改变片段中的世界，更无法与它交互。

而 Genie 3 则在交互性上跨出了一大步。它不仅能生成一个连续世界，还能在你探索的过程中动态调整场景，同时保证逻辑不崩坏。这既是 Genie 3 的 Promptable World Events，简单理解就是「文字即指令，世界实时响应」。

比如，当你输入「水面出现一辆摩托艇」，Genie 3 不会重新生成一个全新的画面，而是空降一台摩托艇滑过河道，在两侧和身后溅起逼真的水花。

这种即时可塑性，意味着用户不仅是观众，还是导演。

同一场景，无限可能｜图片来源：Genie 3

据 DeepMind 透露，Genie 3 在训练时使用了大量游戏引擎生成的数据集，以及视频预测任务，以此让模型具备「因果感」和「持久性」。更通俗地说，Genie 3 学会了两件事：世界是连续的，动作会带来后果。

另一个细节是，Genie 3 支持视角的自由移动，并能动态重绘不同视角的内容。这听起来容易，但在生成模型里极其困难，需要模型具备强大的 3D 推理能力。这也是为什么 DeepMind 在博客里强调，Genie 3 的目标不仅是视频，而是「基于世界的交互式生成」。

所以 Genie 3 不是「生图」、「生视频」，而是生成一段可探索、可编辑的虚拟现实，这就产生了无限的应用场景。

02

颠覆创意行业

只看官方的 demo 演示，都能想象出许多 Genie 3 可应用的场景，特别是在创意行业。

从最初的文字界面，到 2D，再到如今的 3D 和 VR，电子游戏一直是人类探索虚拟空间的先锋。在 Genie 3 的演示中，这一趋势被推向了一个全新高度：只需一句话，就能即时生成一个可探索、可交互的 3D 场景，这对游戏开发行业意味着什么？

在传统开发流程中，3D 场景的构建是游戏制作中最昂贵、最耗时的环节之一。尤其对于独立开发者，这往往成为他们不得不妥协的原因，很多人退而求其次，选择 2D 像素风、手绘、低多边形等形式，以降低开发成本。

但 Genie 3 彻底打破了这一限制。以往需要数周甚至数月去建模、贴图、调光，如今只要写下几句话，就能搭建一个动态可交互的场景。

是不是非常有「面包房模拟器」游戏画风即视感｜图片来源：Genie 3

大型工作室或许仍会用虚幻引擎或自研引擎构建极致画质的 AAA 世界，但对于资源有限的开发者而言，Genie 3 恰好填补了那道「成本鸿沟」：它不取代专业引擎，却极大降低了场景设计的门槛，一家有创意但没技术的小团队，可以像拼乐高一样，用文本拼凑出一整张开放世界地图。

影视行业同样如此，导演和美术可以在开拍前实时预览场景风格，调整光影、添加角色，甚至让演员直接在虚拟空间中走位，实现「沉浸式分镜头」。

教育行业的想象空间更大，课本中描绘的历史古迹、地理现象，都可能通过 Genie 3 生成一个可交互、可探索的场景。

艺术也产生了新的表达，想象一下我们能「光顾」《魔戒》中的都林之门，也能「进入」拉斐尔所绘的《雅典学院》。

或许当每个人都能有「构建虚拟空间」的能力时，扎克伯格心心念念的元宇宙也能得以实现了。

而 DeepMind 更大的野心，还在对物理 Agent 的训练上。

03

AI 的「认知训练场」

DeepMind 在博客中直言，世界模型的意义在于，它能为智能体提供一个「认知训练场」，让 Agent 在虚拟世界中学习因果关系、空间感知和行动规划，而不是直接在真实世界中试错。

举个例子，如果你要训练一台仓储机器人，过去的做法是搭建昂贵的物理场景，或依赖传统游戏引擎模拟。但这些方法都存在局限：前者成本高，后者缺乏多样性。

但在 Genie 3 里，你有一个可以无限生成、即时修改、逻辑连贯的世界，机器人可以在里面练习避障、搬运、协作，甚至模拟极端情况，比如训练自动驾驶汽车应对行人突然冲出马路的情况，这类场景在现实中极难复现，但在 Genie 3 中单靠文本就能创建。

这也是 DeepMind 所说的：Genie 3 有可能将 AI Agent 推到极限，它将迫使 Agents 从自己的经验中学习，类似于人类在现实世界中学习的方式。

不过 Genie 3 并非万能，它仍在技术上有明显限制。

比如目前场景分辨率只有 720p，帧率 24fps，虽然对 AI 生成来说已经不易，但距离 4K 高帧率的游戏画面标准还有差距；其次，Genie 3 生成的场景持久性仍然有限，尽管官方表示能达数分钟，但放出来的演示都控制在了 1 分钟以内。

而场景中的文字渲染仍然糟糕，你很难在它生成的路牌上看到清晰字体，物理一致性也还不够完美，在出现大批量生物、模拟雪崩等细节测试中，仍会露出「AI 异常」的破绽。

诡异地鹿群｜图片来源：Genie 3

开放性也是未知数。DeepMind 表示，Genie 3 目前只在研究和合作项目中使用，尚未面向公众开放 API，更没有像 Imagen 或 Gemini 那样的在线体验入口。

然而回到更大的图景，Genie 3 不是孤立的巧思，而是 AI 技术迁移方向的一次标志性转折。

从李飞飞所创建的 World Labs、英伟达推出的 Cosmos 世界基础模型到现在 DeepMind 放出的 Genie 3，反映了一条清晰的 AI 空间智能技术的发展路径：从 2D 到 3D、再到空间可探索、最终场景物理一致、时空连贯、交互有变化和因果。

ChatGPT 让我们意识到语言可以是操作系统，Sora 让我们看到视频可以是创作界面，而 Genie 3 则进一步，把文字变成「可操作」的空间。

最终，无论是游戏、影视、教育、科研，构建虚拟世界将变成一种即时表达方式：

一行文字，一段描述，一话一世界。

*头图来源：Genie 3

本文为极客公园原创文章，转载请联系极客君微信 geekparkGO

极客一问

你想用谷歌的 Genie 3 创造什么世界？

马斯克宣布 Grok2 开源「将于下周实现这一目标」标志 Grok3 已成熟。

点赞关注极客公园视频号，