在人工智能领域，一项革命性的突破正在引发广泛关注。谷歌DeepMind最新推出的Genie 3，被誉为迄今为止最先进的世界模型之一，它仅凭文本输入，就能实时构建出高度互动且内在一致性的虚拟世界。
这一成就不仅是DeepMind多年研究的结晶，更是向通用人工智能（AGI）和具身智能体迈出的关键步伐。近日，DeepMind的研究科学家Jack Parker-Holder与研究总监Shlomi Fruchter，在a16z的访谈中，深入探讨了Genie 3的构建过程及其背后的理念。
访谈中，两位专家分享了关于Genie 3的第一手信息。据悉，Genie 3是Veo 2和Genie 2两个项目合作的产物，其实时互动功能预示着广泛的应用前景，而这些应用正是在用户与模型的互动中自然浮现的。
尤为Genie 3能够保留长达一分钟的空间记忆。物理规律在模型中自然涌现，随着训练数据的不断累积和深化，模型的表现也在持续提升。目前，尚未有模型能同时具备Veo 3和Genie 3的所有功能。
如果说大型语言模型的图像编辑功能如同“言出法随”，那么Genie 3的新特性则堪称AI的新魔法。用户只需输入简单的文本提示，Genie 3便能生成一个动态世界，支持每秒24帧、分辨率为720p的实时探索。这种能力为游戏开发、强化学习智能体训练以及机器人研究等领域带来了无限可能。
Genie 3在多个方面实现了突破，包括生成视频的长度、世界的一致性、内容的多样性以及特殊记忆能力。例如，一个角色在墙上刷漆后移动到另一侧再返回，之前刷的痕迹依然保留，这种高度一致性的表现让内部成员都感到震撼。
实际上，Genie 2已经具备了一定的记忆能力，但在当时并未得到充分强调。到了Genie 3，DeepMind团队明确将增强记忆能力作为核心目标之一，成功实现了超过一分钟的记忆、实时生成以及分辨率的提升。这些看似矛盾的目标，在DeepMind的努力下得以兼顾。
在设计上，DeepMind团队放弃了显式表示法，坚持让模型逐帧生成内容，以提升模型的泛化能力和适应多样世界的能力。这种坚持让Genie 3在模拟现实世界的能力上取得了巨大飞跃，生成的物理效果和光照变化都令人惊艳。
Genie 3还涌现出了一些令人惊讶的行为，如角色靠近门时模型会推测其应该打开门等。这些符合人类直觉的行为以及不断提升的语言理解能力和真实感，让Genie 3的视频真假难辨，即便是非专业人士也难以分辨。
在地形多样性方面，Genie 3也表现出色。它能够理解不同地形上的行走、滑雪、游泳等动作以及相应的物理反馈，这些都是模型通过丰富的训练数据自行学习得到的。这种涌现能力让Genie 3的表现更加自然和真实。
未来，DeepMind团队将继续致力于提升模型的真实感和交互性，为智能体走向现实世界铺平道路。他们表示，最终将开放Genie 3模型，让更多人有机会探索这一神奇的世界。虽然距离准确模拟现实世界还有很大差距，但Genie 3已经迈出了重要的一步。
