IT之家 8 月 6 日消息，谷歌 DeepMind 官方昨日(8 月 5 日)發(fā)布博文，宣布推出名為 Genie 3 的“世界模型”，該模型能夠讓 AI 系統(tǒng)與逼真的現(xiàn)實世界模擬互動，朝著通用人工智能(AGI)邁出重要一步。

　　

 

　　據(jù)谷歌介紹，Genie 3 可以用于訓練機器人和自動駕駛車輛，讓它們在與倉庫等環(huán)境的真實再現(xiàn)中互動,IT之家附上演示視頻如下：

　　谷歌 DeepMind 人工智能部門的專家認為，世界模型是實現(xiàn) AGI 的關(guān)鍵步驟。AGI 是一種假想的人工智能水平，在這一水平上，系統(tǒng)不僅僅是下棋或翻譯語言等單一任務(wù)，而是能夠執(zhí)行大多數(shù)任務(wù)，與人類相當，并可能取代某些工作崗位。DeepMind 表示，這些模型在開發(fā)自主執(zhí)行任務(wù)的 AI 代理或系統(tǒng)中將發(fā)揮重要作用。

　　相比較前代模型(如 Genie 1/2)和視頻生成模型(如 Veo 2，Veo 3 對直覺物理學的深刻理解)，Genie 3 是第一個允許實時交互的世界模型，同時與 Genie 2 相比，其一致性和真實感也得到了提升。

　　

 

　　其核心能力包括：

　　模擬世界的物理特性： Genie 3 對物理規(guī)律有深刻理解，能逼真地模擬水流、光影變化以及復(fù)雜的環(huán)境互動，例如直升機在懸崖瀑布邊小心翼翼地機動

　　模擬自然世界：從冰川湖畔充滿生機的生態(tài)系統(tǒng)，到幻想世界中可愛的毛茸茸生物在彩虹橋上跳躍，Genie 3 能將想象力轉(zhuǎn)化為可探索的現(xiàn)實

　　動畫和小說建模：可以發(fā)揮想象力，創(chuàng)造奇幻的場景和富有表現(xiàn)力的動畫角色

　　探索不同地域與歷史場景：模型能超越地理和時間的限制，帶領(lǐng)用戶探索不同地點和歷史時代，無論是身穿翼裝飛越雪山，還是置身于歷史悠久的古城

　　突破實時性能的極限：實現(xiàn)高度的可控性和實時交互性，在每一幀的自回歸生成過程中，模型必須考慮先前生成的隨時間增長的軌跡。例如，如果用戶在一分鐘后重新訪問某個位置，則模型必須引用一分鐘前的相關(guān)信息。為了實現(xiàn)實時交互性，這種計算必須每秒進行多次，以響應(yīng)新用戶輸入的到來

　　長時程環(huán)境一致性：為了讓人工智能生成的世界身臨其境，它們必須在很長一段時間內(nèi)保持物理上的一致性。然而，自動回歸生成環(huán)境通常比生成整個視頻更難的技術(shù)問題，因為不準確之處往往會隨著時間的推移而累積，Genie 3 環(huán)境在幾分鐘內(nèi)基本保持一致，視覺記憶可以追溯到一分鐘前，Genie 3 生成的世界更加動態(tài)和豐富，因為它們是根據(jù)用戶的世界描述和作逐幀創(chuàng)建的

　　可提示的世界事件 (Promptable World Events)：除了導(dǎo)航輸入之外，Genie 3 還支持一種更具表現(xiàn)力的基于文本的交互形式，稱之為可提示的世界事件。可提示的世界事件可以改變生成的世界，例如改變天氣條件或引入新的物體和角色，從而增強導(dǎo)航控制的體驗，這種能力還增加了反事實或“假設(shè)”場景的廣度，代理可以使用這些場景從經(jīng)驗中學習來處理意外情況

　　然而，谷歌表示 Genie 3 尚未準備好全面公開上市，并未給出具體的發(fā)布日期，同時還指出該模型存在一些局限性。這一聲明是在人工智能市場競爭日益激烈的背景下發(fā)布的。

　　谷歌表示，其世界模型還可以幫助人類體驗各種模擬訓練或探索，如滑雪或繞山湖漫步。DeepMind 表示，Genie 3 能夠根據(jù)文本提示立即創(chuàng)建場景，并且模擬環(huán)境可以快速更改，例如，通過文本提示在滑雪坡上引入一群鹿。

　　谷歌本周一向記者展示了 Genie 3 創(chuàng)建的滑雪和倉庫場景，但尚未公開模型。據(jù)《衛(wèi)報》報道，這些模擬的質(zhì)量與谷歌最新的視頻創(chuàng)作模型 Veo 3 相當，但它們持續(xù)的時間是 Veo 3 的八秒。

　　盡管 AGI 被視為可能消除白領(lǐng)工作，因為自主系統(tǒng)能夠執(zhí)行從銷售代理到律師或會計師的各種角色，但谷歌認為世界模型是開發(fā)機器人和自動駕駛車輛的關(guān)鍵技術(shù)。例如，一個具有真實物理和人物的倉庫再現(xiàn)可以幫助訓練機器人，因為它在訓練中從模擬中“學習”，幫助它實現(xiàn)目標。