Genie 2

什么是 Genie 2

Genie 2 是 Google DeepMind 开发的基础世界模型（foundation world model），于 2024 年 12 月 4 日公布^[1]。给它一张提示图像，它就能生成一个可以被玩起来的 3D 环境^[1]。笼统地说，世界模型是一个学习「场景接下来会怎样」的系统：它不只是把画面渲染出来，而是让场景随着其中发生的事情继续往下发展。这也正是它和普通视频生成的区别——视频只能看，环境可以动手操作。「基础」二字说的是另一层意思：它是一个通用模型，用来托住许多下游用途，而不是只为单一任务打造的系统。

操作与一致性

人或 AI 智能体可以用键盘和鼠标输入在生成的世界里行动，Genie 2 能让这个世界在最长约一分钟内保持连贯^[1]。一致性是最难的部分：每一次操作都会改变接下来应该看到什么，误差会一步步累积。Genie 2 还对已经离开视野的那部分世界保有长时程记忆（long-horizon memory）^[1]，因此镜头转开之后，场景不会自行重置。

它模拟了什么

模型能再现物体之间的相互作用：开门^[1]，扎破气球，以及射击装满炸药的桶^[1]；也能再现水、烟和重力这类物理效果^[1]。这些正是一个小型游戏式空间所需要的成分——东西会反应、会掉落、会扩散、会破碎。

在展示的每个例子里，Genie 2 的提示输入都是一张由 Imagen 3 生成的图像^[1]。也就是说，起点不必是照片，也不必是手工搭建的关卡，一张生成的图片就足以作为一个世界的种子。

世界里的智能体

DeepMind 把 SIMA 智能体放进 Genie 2 生成的环境，智能体在其中按照自然语言指令行动^[1]。这是世界模型最实际的用途之一：智能体可以在制作成本低、变化丰富的场景里接受训练和评估，而不只是在有人手工搭建的世界里，或是在真实世界里——后者慢，而且难以重复。

在发展中的位置

约一分钟的一致性窗口，划定了这一代世界被展示出来的尺度：要在很长的时间里保持前后一致地行动，世界必须记住许多更早的选择，那是另一个层次的问题。

Genie 2 后来被 2025 年 8 月推出的 Genie 3 接替^[2]，后者是该系列中第一个支持实时交互的模型^[2]。按 DeepMind 的说法，Genie 3 能在 720p 分辨率、每秒 24 帧下实时生成可供导航的世界^[2]，其环境能在数分钟内基本保持一致^[2]——比 Genie 2 以一分钟计的连贯时间更长^[1]。把两代放在一起看，可以看到一条清晰的线索：从「能与之互动的生成世界」，走向「以游玩的速度作出回应的生成世界」。