Google DeepMind 发布实时世界模型 Genie 3

什么是世界模型

世界模型（world model）是一类学习环境如何运转的系统：时间流逝时场景会怎么变，物体移动时会怎样，某个东西作用于它时又会发生什么。一旦模型能预测这些，它就可以当作一个模拟环境来用——一个可以反复试错的地方，或者一个不必搭建实体布景就能用来测试智能体（agent）的场所。

视频生成模型与它血缘很近，但并不等同。生成出来的视频是自行向前播放的，每一次都一样；而可交互的世界必须对用户的操作作出反应，无论什么时候、从什么视角操作。要实时做到这一点，而不是先渲染后播放，是更难的问题。

发布

2025 年 8 月 5 日，Google DeepMind 发布了 Genie 3 ^[1]。按该公司的描述，这是一个从文字生成可漫游世界的世界模型，实时生成，每秒 24 帧，分辨率 720p ^[1]。这两个数字正是它与「等一会儿再看成品」的区别所在：每秒 24 帧是普通视频看起来连续运动所需的帧率，720p 是常见的高清画面尺寸，因此它的输出是边生成边被观看和操控的，而不是渲染完成后再回放。

生成出来的世界是什么样

生成的世界不会无限持续下去。Google DeepMind 表示，环境能保持几分钟的一致 ^[1]。在这段时间里，场景是立得住的：布局不会散掉，物体留在原来放置的位置，在空间中穿行也不会让画面崩坏。

模型的视觉记忆最长可回溯约一分钟 ^[1]。这指的是它能记住自己已经呈现过的内容的时间跨度，因此早先见过的空间还能被找回来，而不会被替换成别的东西。

除了四处走动，用户还可以触发可提示的世界事件，例如让天气发生变化，环境会随之响应 ^[1]。这让世界从一个固定的舞台变成运行中还能被改动的东西，更接近测试智能体时布置场景的方式：改变一个条件，看接下来会发生什么。

谁能用

Genie 3 并非作为通用产品上线，而是以有限的研究预览形式推出，面向选定的学者和创作者 ^[1]。这一点对于理解这次发布很重要：所描述的是模型在研究环境中的能力，访问权限是定向发放的，并未向公众开放。

Google DeepMind 也在内部把它用了起来，用 Genie 3 生成的世界测试其 SIMA 智能体的近期版本 ^[1]。智能体是在环境中为达成目标而采取行动的系统，要测试它就得有可供行动的环境，而且是大量、条件各异的环境。一个能从文字生成可漫游世界的模型，就是不必逐个手工搭建这些环境的一条途径。

值得注意的地方

Genie 3 真正有意思的地方不在画面本身，而在这些性质的组合：输入文字、输出可探索的世界、实时生成，并且有足够的持续性让场景维持几分钟，有足够的记忆让世界在大约一分钟内保持连贯。一致性和记忆决定了生成的世界能不能被当作一个「地方」，而不是一张不停变化的图；实时生成和可提示事件则决定了它能不能被交互地使用。

对智能体和具身系统的研究来说，大量可响应的环境始终是一个现实瓶颈。按目前的描述，Genie 3 指向的正是这个瓶颈——一个同时可以当作试验场的世界模型；而有限的预览形式也说明，就现阶段而言它是一件研究工具。