在电影《盗梦空间》里，梦境迷宫能够被设计，仅凭一个念头就能创造出一个完整的世界。过去，这似乎是遥不可及的科幻情节。但现在，Google DeepMind 发布的 Genie 3，好像要开始让这个梦想，一步步照进现实。简单来说，Genie 3 是一个通用世界模型（world model）。我们只需要给它一句文字提示，比如「一条宁静的湖边小路」，它就能在几秒钟内生成一个你可以实时漫步、互动的动态世界。它能做到的，不只是生成「会动的视频」，而是真正创造一个可以实时互动、操控的虚拟世界。说什么，它就能实时生成什么如果你关注这方面的动态，可能会记得 Google 此前发布的 Genie 1 和 Genie 2。甚至前段时间在 WAIC 2025 上腾讯发布的混元 3D 世界开源模型。对比 Genie 1 和 Genie 2，这次 Google DeepMind 团队实现了一次关键的升级，从「生成可互动视频」变成了「实时生成可互动世界」。Genie 3 的升级除了「可漫游」这一方面，它的强大之处主要体现在以下几点。实时交互性：Genie 3 生成的世界不是预先渲染好的视频。它能以 720p 分辨率和 24fps 的帧率实时运行，让我们像玩游戏一样在其中自由移动。更长的持续性和一致性：这是最令人惊艳的升级。相比前代模型十几秒的互动时间，Genie 3 将这个时长提升到了「几分钟」。更重要的是，它拥有长达一分钟的视觉记忆。这意味着，当我们转身再回头时，墙上的涂鸦、远处的建筑依然会保持原样，世界不会在你回头后「刷新」，极大地提升了沉浸感。提示词：第一人称视角动作摄像头拍摄用油漆滚筒粉刷一栋浅色房子的画面。可提示的世界事件：这让我们拥有了「上帝视角」。除了移动，我们还可以通过输入新的文本指令来改变世界。比如，在生成的滑雪场景里，我们可以用一句话「凭空」加入一群麋鹿，或者随时改变天气状况。这种能力让世界的动态性和可玩性大大增强。选择一个世界设定。然后，挑选一个事件，可以看看 Genie 3 如何创造它。Genie 3 的世界生成能力也极为丰富，无论是水、光照等自然现象，还是充满想象力的动画虚构场景，乃至历史风貌，它都能以较高的水准完成构建。游戏、内容创作、具身智能训练场Genie 3 的出现，打开了通往未来的三扇大门。1、终极的游戏引擎和内容创作工具想象一下，未来的游戏开发者或电影导演，不再需要耗费数年时间进行 3D 建模和场景搭建。他们只需要输入详尽的文字描述，就能生成一个游戏世界或电影场景的雏形。这无疑将颠覆整个内容创作行业，让「人人都是造物主」成为可能。提示词： 一个充满活力的3D风格，一只可爱、毛茸茸的小生物在奇幻景观中的彩虹桥上欢快地奔跑。（部分省略……）2、最理想的 AI 训练场这是 Google 目前最看重的应用方向。DeepMind 认为，世界模型是通往通用人工智能（AGI）的关键一步，他们也明确表示，未来 Genie 3 会用于支持各种 embodied AI 的训练。像机器人、自动驾驶系统等 AI 智能体，可以在 Genie 3 生成的无数个虚拟仓库、城市街道中进行训练。它们可以在模拟环境中「看见」世界如何演变，并预判自己行为的后果。这比在现实世界中训练成本更低、效率更高，也更安全。Google 已经将自家的通用智能体 SIMA 放入 Genie 3 生成的世界中进行测试。前段时间，马斯克在 X 发文因为规定无法使用中国的数据，来训练自己的特斯拉自动驾驶汽车，提到 xAI 有在研发使用虚拟世界来完成对自动驾驶的训练。我想这就是世界模型非常大的用处之一。3、颠覆性的教育和模拟培训除了训练 AI，Genie 3 也能用来训练人。想学滑雪？不用去雪山，Genie 3 可以为你生成一个逼真的虚拟滑雪场。医学生可以在模拟的手术室中反复练习，飞行员可以在各种极端天气下进行模拟驾驶。它为专业技能培训提供了无限的可能性。从视频到世界，Genie 3 的技术升级和腾讯混元采用的方法不同，Genie 3 不是在构建一个可以被下载、编辑和导入到其他 3D 软件，包含了几何模型、纹理贴图的静态 3D 场景，它的产出物是一个可交互的、流式的视觉体验。一般的 3D 世界模型采用「显式 3D 表示」（explicit 3D representation，3D 建模）的技术（如 NeRFs 神经辐射场和 Gaussian Splatting 高斯溅射）。而 Genie 3 的动态和丰富性，则是来源于实时、逐帧的类视频流生成的方式，而不是基于一个可供导出的、固定的 3D 结构。混元 3D 世界模型，是可以下载、编辑的3D数字资产但是逐帧生成也不是一件容易的事情。生成一段 8 秒的视频，可能只需要几十次推理，而 Genie 3 的难度就在于，它必须每秒连续生成 24 帧图像，并保持世界内一致性、逻辑性与交互性。比如一个角色转头再回头，看见的物体必须在原位；我们上一分钟放下的木箱，不能突然消失。DeepMind 解决这个问题的方式是，让 Genie 3 在每次生成时都记住过去的「轨迹」，甚至能追溯一分钟前的状态。Genie 3 技术突破，交互时长可以达到几分钟这意味着，它不是一次性生成所有画面，而是根据我们的每一个操作实时推演世界的下一个状态，类似于一种极简但智能的「游戏引擎」。相比之下，NeRFs 或高斯溅射那类建模方法，需要先获得完整的 3D 场景数据再生成画面。Genie 3 则是一个「边玩边生成」，AI 实时渲染的视频游戏，灵活且开放。「边玩边生成」很好，但离完美还有距离尽管 Genie 3 描绘的未来令人无比兴奋，但它离完美的「创世引擎」还有一段路要走。Google 也坦诚地指出了它目前的局限性：提示词：海灯节期间的摩托艇（很像在原神开船）交互时长有限：虽然「几分钟」已经是巨大进步，但距离支撑数小时的开放世界游戏体验还有差距。智能体动作有限：目前 AI 智能体能直接执行的动作还比较基础，很多复杂的环境干预需要通过文本提示来完成。「单人模式」：模拟多个独立的智能体在同一世界中进行复杂互动，仍然是一个技术难题。无法精准复现实景：它还不能以完美的地理精度模拟真实世界的某个地点。文字渲染能力差：除非在初始提示中就提供，否则很难生成清晰易读的文字。毫无疑问，Genie 3 是世界模型发展的一个重要里程碑。它最大的意义在于，将 AI 的能力从「生成内容」提升到了「模拟世界」的高度。实时交互性和可提示的世界事件，是它与之前版本的 Genie 以及同类模型拉开差距的关键。虽然 Google 出于安全和责任的考虑，目前仅向一小部分学者和创作者开放了 Genie 3 的研究预览版，我们普通用户还无法立即体验。但这扇通往未来的大门已经打开，它模糊了创造者与玩家、虚拟与现实的界限。就像 X 上有网友评论说，未来，AI 世界的规则不再写死在代码里，而是像我们人类想象世界那样灵活、多变、可控。语言不再只是表达思想，而是塑造现实的工具。而世界的边界，就藏在每一句 prompt 里。欢迎加入 APPSO AI 社群，一起畅聊 AI 产品，获取#AI有用功，解锁更多 AI 新知👇我们正在招募伙伴📮 简历投递邮箱hr@ifanr.com✉️ 邮件标题「姓名+岗位名称」（请随简历附上项目/作品或相关链接）更多岗位信息请点击这里🔗
