Google DeepMind 发布 Genie 3，这是其最新的通用世界基础模型，可用于训练通用人工智能代理。该 AI 实验室表示，这一能力是通往“通用人工智能”（AGI）或类人智能道路上的关键一步。
DeepMind 研究总监 Shlomi Fruchter 在新闻发布会上表示：“Genie 3 是首个真正的实时交互式通用世界模型。它超越了此前存在的狭义世界模型。它不针对任何特定环境，既能生成照片级逼真的世界，也能生成想象的世界，以及介于两者之间的各种场景。”
Genie 3 目前仍处于研究预览阶段，尚未公开可用，它在能够生成新环境的其前身 Genie 2 以及据称对物理有深刻理解的最新视频生成模型 Veo 3 的基础上进行了构建。
核心性能提升：分钟级交互与物理一致性
只需一个简单的文本提示，Genie 3 就能以 720p 分辨率、每秒 24 帧的速度生成分钟级的交互式 3D 环境，这相比 Genie 2 只能生成 10 到 20 秒的内容有了显著提升。该模型还具备“可提示的世界事件”功能，即能够通过提示来改变生成的世界。
或许最重要的是，由于 Genie 3 能够记住其先前生成的内容，因此其模拟在时间推移中保持物理一致性。DeepMind 表示，研究人员并未显式地将这种能力编程到模型中。
Fruchter 表示，虽然 Genie 3 对教育体验、游戏或创意概念的原型设计具有影响，但其真正的突破将体现在为通用任务训练智能体上，他认为这对实现 AGI 至关重要。
DeepMind 开放性团队的研究科学家 Jack Parker-Holder 在简报会上表示：“我们认为世界模型是通向 AGI 的关键，特别是对于具身智能体而言，因为模拟真实世界场景具有特别大的挑战性。”
技术原理：自回归架构与世界规律自学
Genie 3 旨在解决上述瓶颈。与 Veo 类似，它不依赖硬编码的物理引擎；相反，DeepMind 表示，该模型通过记住其生成内容并在长时间跨度上进行推理，自学世界是如何运作的——包括物体如何移动、下落和相互作用。
Fruchter 在接受 TechCrunch 采访时说：“该模型是自回归的，意味着它一次生成一帧画面。它必须回顾之前生成的内容，以决定接下来会发生什么。这是架构中的一个关键部分。”
该公司表示，这种记忆能力有助于维持 Genie 3 模拟世界中的一致性，从而使其能够掌握物理规律，类似于人类理解桌子边缘摇摇欲坠的玻璃杯即将掉落，或者意识到应该弯腰躲避坠落物体的方式。
值得注意的是，DeepMind 表示该模型还有潜力将 AI 代理推向极限——迫使它们像人类在现实世界中学习一样，从自身经验中学习。
实测验证：SIMA 智能体目标达成
作为示例，DeepMind 分享了其与最新一代通用可扩展可指令多世界智能体（SIMA）进行的 Genie 3 测试，指导该智能体追求一系列目标。在仓库环境中，他们要求智能体执行诸如“靠近亮绿色的垃圾压缩机”或“走向装满货物的红色叉车”等任务。
Parker-Holder 表示：“在所有三种情况下，SIMA 代理都能实现目标。它只是接收来自代理的动作。因此，代理获取目标，观察周围模拟的世界，然后在世界中执行动作。Genie 3 向前进行模拟，而它能够达成目标的原因在于 Genie 3 保持一致性。”
当前局限与未来展望
话虽如此，Genie 3 也存在局限性。例如，尽管研究人员声称它能够理解物理规律，但演示中一名滑雪者高速冲下山坡的场景并未反映出雪相对于滑雪者的运动方式。
此外，智能体可执行的动作范围有限。例如，可通过提示触发的世界事件允许对环境进行广泛干预，但这些干预并非一定由智能体自身完成。同时，在共享环境中准确建模多个独立智能体之间的复杂交互仍然十分困难。
Genie 3 目前仅支持几分钟的连续交互，而有效训练通常需要数小时。
尽管如此，该模型仍代表了迈向重要的一步：它使智能体能够超越对输入的被动反应，具备潜在的计划、探索、主动寻求不确定性以及通过试错改进的能力——这种自主驱动的具身学习被许多人视为通向通用智能的关键。
Parker-Holder 表示：“我们尚未真正迎来具身智能体的‘第37手时刻’，即它们能够在现实世界中采取新颖的行动。”他指的是2016年 DeepMind 的人工智能智能体 AlphaGo 与世界冠军李世石之间围棋对局中的传奇时刻，AlphaGo 下出了一步非常规且精彩的棋，成为 AI 能够发现超越人类理解的新策略的象征。
“但现在，我们有望开启一个新时代。”他说。