Google DeepMind发布Genie 3：创新AI世界模型提升视觉与记忆能力

来源：至顶网

在生成式人工智能仍在探索盈利模式的背景下，Google DeepMind继续推动这一领域的技术进步，令人振奋。最近，该公司推出了Genie 3，这一创新AI世界模型在视觉保真度和记忆能力方面实现了显著提升，进一步扩展了AI技术的应用边界。仅仅六个月前，DeepMind就发布了Genie 2基础世界模型，Genie 3的发布标志着技术的又一次飞跃。

Genie 3的亮点在于其强大的交互能力：用户只需输入一个提示词或上传一张图片，就能够生成一个动态的3D世界。与前代模型相比，Genie 3的大环境是持续生成的，并允许用户实时修改，这意味着玩家和开发者可以随时添加或更改对象、改变气候条件，甚至插入新的角色。这一特性被DeepMind称为“可提示事件”，它不仅为玩家提供了更加引人入胜的游戏体验，而且为游戏开发者提供了新的方法来验证他们的创意和关卡设计。游戏行业对于这一工具能否在实际开发中发挥真正作用仍持观望态度。

尽管Genie 3可能被误认为仅仅是一个游戏创建工具，DeepMind却将其视为一个强大的研究工具。游戏行业在人工智能的发展历程中扮演了重要角色，因为它们提供了具有挑战性的交互环境以及可量化的进展。这一点在DeepMind以围棋和星际争霸等项目推动AI能力进步的过程中得到了验证。通过构建世界模型，Genie 3将这一研究转化为逐帧生成的交互式世界，进一步提高了AI模型（特别是具身智能体）在现实世界场景中的表现能力。

在创建AGI（通用人工智能）的进程中，研究者们面临的一个主要障碍是缺乏可靠的训练数据。为了克服这一问题，DeepMind开始探索合成数据的应用，而世界模型被认为是这一努力的关键。通过提供近乎无限的交互式世界，Genie 3为训练AI智能体提供了全新的。

从技术上讲，Genie 3代表了一个显著的进步。在视觉保真度方面，该模型能够实现720p分辨率、每秒24帧的真实实时渲染，提升了用户体验。而在记忆能力方面，Genie 3从Genie 2的10秒有限记忆扩展到了几分钟的视觉一致性，这解决了先前模型在场景细节保持方面的不足。早期的Genie 2曾因记忆短暂而忽视了重要场景，用户不得不重复输入信息以恢复上下文。

尽管Genie 3在多方面都取得了显著进步，然而它并不是完美的世界构建者。虽然可以在多分钟内保持详细记忆，DeepMind团队表示，理想情况下，模型应至少能够保存数小时的连续性。Genie 3的生成内容是独特且非确定性的，无法精确模拟现实世界的物理位置，这意味着它同样会遭遇AI常见的幻觉现象。例如，生成图像中的人物可能表现出不自然的运动，或者文本内容杂乱无章，只有当提示词明确指定要求包含特定字符串时，模型才能有效生成相关文本。

AI智能体在Genie 3中的集成方式亦显不足。尽管用户能够创建带有真实条件的世界并指定可提示事件，智能体与这些模拟世界的交互仍然受到限制。目前，智能体仅能够在环境中移动，缺乏改变环境的高级推理能力。DeepMind正在进行实验，探讨允许多个AI智能体在共享环境中相互互动的方法，未来的Genie 4将能实现这一功能，进一步丰富AI与环境的互动。

值得注意的是，尽管Genie 3的强大功能引人注目，但其使用也存在限制。这款模型在处理速度上相当迅速，以至于实时渲染的效果看起来像是交互式的，但这也消耗了大量的计算资源。Google DeepMind并未公开具体的资源需求，但可以肯定的是，普通用户在日常操作中无法轻易访问和运用此功能。

目前，Genie 3主要被视为一个研究工具，DeepMind计划向包括专家和研究人员在内的小范围用户群体授予访问权限，以协助其进一步的完善。随着技术的发展，DeepMind也计划逐步开放Genie世界模型，期待这项技术在未来能为更广泛的应用带来新的可能性。

在其潜力时，Genie 3不仅重新定义了AI构建交互式世界的能力，还为AI的发展提供了新的研究方向和工具。随着更多的研究者和开发者参与进来，未来AI的应用将更加多元化，推动人类与智能之间的合作更上一个台阶。