导读
2025年8月6日，谷歌DeepMind正式发布Genie 3世界模型，首个支持实时交互的生成式环境引擎。它基于文本、图像或视频输入，以每秒24帧的速率创建长达数分钟的高保真动态世界。
相比前代Genie 2仅能维持10-20秒的360P画面，此次升级被英伟达科学家Jim Fan誉为 “游戏引擎2.0时代”的降临。
谷歌DeepMind Genie 3与Genie 2、由神经模型驱动的游戏引擎GameNGen、视频生成模型Veo对比，最突出的特点是其生成时长翻倍增长，且能做到针对已生成的环境修改：
文字编辑｜宋雨涵
1
三大核心技术突破：
重新定义AI世界模型
1
实时交互性：
Genie 3此次进化的一大显著亮点，在于其具备实时响应的用户交互能力，并且能在长达数分钟的时间里保持场景（三维）的高度一致性。
为使Genie 3在可控性与实时交互性上达到高水平，谷歌在技术层面实现了多项重大突破。
在模型每帧的自回归生成进程中，需持续考量随时间推移而增加的轨迹信息。比如，当用户在一分钟之后重新回到某个地点时，模型要能够追溯并调用一分钟前生成的相关信息。
要达成真正的实时交互效果，这种计算必须每秒进行多次，如此才能及时响应源源不断的用户输入。
2
环境一致性：
为让AI生成的世界更具沉浸感，环境在长时间跨度内必须维持物理层面的连贯性。不过，通过自回归方式生成环境，相较于一次性生成整段视频，技术难度要大得多，因为误差会随着时间逐步累积。
即便面临这一难题，Genie 3所生成的环境在数分钟内依旧能保持高度一致，其视觉记忆能力最远可追溯至一分钟前的画面状态。
如上图所示的“建筑物左侧的树木”，在互动过程中始终保持一致：
Genie 3的一致性是一项新兴能力。NeRF和高斯分布等方法在实现一致的可导航3D环境同时，需要依赖于提供明确的3D表示，相比之下，Genie 3生成的世界是根据世界描述和用户操作逐帧创建的，因此生成内容更为丰富、真实。
Genie 3通过记忆已生成的内容并进行长期推理，自学世界中的物体如何移动、下落和互动。该模型是自回归的，这意味着它一次只生成一帧，其必须回顾之前生成的内容，才能决定下一步要做什么。这是该架构的关键部分。
3
可提示世界事件：
Genie 3引入了”可提示世界事件”功能，这是一个革命性的创新。用户不仅可以在世界中导航，还能通过文本指令动态改变世界状态。
下面的“面包店”场景中，演示出分别给出了走进搅拌机、前往冷却架、走到玻璃柜前的任务：
在给定的“市场”环境中，案例分别演示了走进花摊、去面包师那里等任务：
在具身Agent的研究领域，研究人员就可以选择一个世界设定，然后选择希望Agent实现的目标并观察它如何实现目标。
2
喜忧参半
Genie 3的局限性
尽管能力惊人，Genie 3仍面临多重技术壁垒。
动作空间有限。尽管可提示的世界事件允许进行广泛的环境干预，但这些干预不一定由agent自身执行。agent可以直接执行的动作范围目前受到限制。
其他agent的交互与模拟。在共享环境中准确建模多个独立agent之间的复杂交互仍然很难。
真实世界位置的准确表示。Genie 3目前无法以完美的地理精度模拟真实世界位置。
文本渲染。通常只有在输入的世界描述中提供时，才能生成清晰易读的文本。
交互时间有限。目前 Genie 3支持几分钟的连续交互，而非数小时。
此外DeepMind研究团队在官方博客中坦言：实现数小时级的稳定交互需要算法与算力的双重突破。现有模型已需数千块GPU协同训练，延长交互时间意味着计算成本指数级增长。
三、世界模型演进：
通往AGI的必经之路
长久以来，“世界模型”始终被行业视为迈向通用人工智能（AGI）征程中至关重要的基石。原因在于，它能够为AI智能体提供无限多样且丰富的模拟环境用于训练。
在过去十多年的时间里，谷歌DeepMind在模拟环境研究领域始终处于前沿地位，其研究范畴广泛，从教导AI智能体精通即时战略游戏，到为开放式学习以及机器人技术打造模拟环境，均有深入探索。
正是基于这些持续且深入的研究，谷歌DeepMind成功开发出了“世界模型”。
Genie 3的发布标志着世界模型发展进入新阶段。从Genie 1的静态场景生成，到Genie 2的短暂交互，再到如今分钟级实时交互，技术演进呈现加速突破态势。
DeepMind将Genie 3定位为 “通向AGI的关键基础设施”。传统AI训练依赖有限数据集，而Genie 3能无限生成多样化环境，为AI智能体提供试炼场。
产业层面，世界模型正驱动两条技术路线的竞合：谷歌的语言驱动生成（Genie 3）、英伟达的数字孪生平台（Omniverse）、Meta的空间计算，以及小鹏汽车等企业探索的“云端世界模型工厂”——通过模拟交通场景蒸馏自动驾驶能力。
而DeepMind将Genie 3定位为“AGI基础设施”，其价值不仅在于为机器人提供零成本试错的仓库火灾训练场，更在于逼迫AI建立行动-结果的因果链：风吹草动、火势蔓延，这些基础逻辑恰是通用智能的基石。
结语：
世界模型的终极意义，是让AI从“统计规律拟合者”蜕变为“因果逻辑掌控者”。Genie 3的虚拟海浪拍岸时，我们看到的不仅是水的纹理，更是AI对流体动力学的内化推演。
这不仅是技术升级，更是认知革命：当AI通过创造世界来理解世界，人类第一次有机会将智能的本质封装进代码——那条通往AGI的幽深小径，正被世界模型的火光逐渐照亮。
