Google Genie 2（DeepMind Genie 2）是一个大型“世界模型”，它可以根据图像或文本提示创建交互式 3D 世界。

Konrad Wolfenstein

8 小时前

Google Genie 2（DeepMind Genie 2）是一个大型“世界模型”，它可以根据图像或文本提示创建交互式 3D 世界。图片来源：Xpert.Digital

游戏玩家何时才能体验到他们的“黑客帝国”时刻？为什么DeepMind的Genie 2是继Gemini之后的又一次重大飞跃？

这不是一款产品，而是未来：谷歌的交互式人工智能 Genie 2 的真正实力——Genie 2 在模拟的 3D 世界中训练人工智能代理

Google Genie 2（正确名称为：DeepMind Genie 2）是一个大型“世界模型”，它可以根据图像或文本提示生成交互式 3D 世界，用户或代理可以通过键盘/鼠标实时操作这些世界。

当前状态（2025 年底）：它是 Google DeepMind 的一个研究和演示系统，不是一个免费产品，但它越来越多地在会议和媒体上作为游戏、模拟和智能体训练的构建模块进行展示。

Genie 2 的技术特点

Genie 2 是一个大规模的“基础世界模型”，它通过学习视频数据来模拟物理上一致的交互式世界（运动、碰撞、NPC 行为、视角变化）。

从架构上看，它将视频自编码器与潜在空间中的自回归转换器相结合（类似于 LLM，但用于视频/世界动态），并进一步逐帧采样动作（键盘/鼠标）。

当前技能

Genie 2 可以从单个图像（或先前由 Imagen 等图像模型生成的图像）生成可玩的 3D 场景，例如平台跳跃或冒险风格的环境。

游戏世界会保持大约 10-60 秒的稳定状态，包括动画、光照、水/粒子效果以及环境对玩家操作的反应；然后场景基本上会“重置”。

用途和应用领域

DeepMind 将 Genie 2 主要定位为研究和创意工具：快速构建交互式体验原型，为 RL 或代理系统（包括 SIMA 代理）生成多样化的测试环境。

潜在应用领域包括游戏、模拟/训练、机器人（具身代理）和通用代理的通用评估环境。

供货情况和产品状态

自2024年12月4日发布以来，GENIE 2仅对部分测试人员开放。目前尚未公布公开发布日期。

目前，Genie 2 尚未开放公共 API 或进行广泛的产品集成；它仅在博客文章、论文和演示（例如，《60 分钟》节目、会议、I/O 大会）中有所展示，但仍是 DeepMind 的内部系统。
在 Google I/O 2025 的报道中，Genie 2 与其他生成式媒体模型（例如 Veo 和 Gemini 的代理功能）一同出现，但并未单独发布开发者版本或提供定价信息。

谷歌的人工智能模型 GENIE 2 创造了一个新的现实：模型的基本原理和技术基础

由谷歌DeepMind开发的GENIE 2代表了所谓“世界模型”开发领域的一项重大突破。该人工智能系统的基本功能是根据简单的输入（例如单张图像或文本描述）生成完全三维的交互式环境。与传统的渲染引擎或游戏引擎不同，GENIE 2采用自回归延迟扩散模型，能够逐帧生成虚拟世界，并模拟在这些世界中执行操作的后果。

Genie 2 于 2024 年 12 月 4 日由 Google DeepMind 正式发布。首个官方公告通过 Google DeepMind 的官方博客发布。该公告题为“ Genie 2：大规模基础世界模型”，发布在 deepmind.google/blog 网站上。

GENIE 2 最初是以研究原型的形式在有限的研究预览版中展示的。这意味着该模型并未直接向公众开放，而是最初仅授权给部分研究人员和创意人员使用。与前代产品 GENIE 1 不同，谷歌 DeepMind 并未就 GENIE 2 发布完整的科学研究论文。

GENIE 2 的发布正值谷歌人工智能研发的密集时期。仅仅几天后，在 2024 年 12 月 10 日，谷歌又发布了全新的 Gemini 2.0 系列，这表明该公司在 2024 年底前推出了多款重要的下一代人工智能模型。

GENIE 2 的技术架构有何特别之处？

GENIE 2 的技术架构基于多个组件，这些组件协同工作，共同实现了模型强大的功能。系统首先使用大型视频数据集进行训练，然后应用一个结合了 Transformer 和分类器的扩散模型。理解其关键在于方法论：该模型以自回归系统的形式运行，这意味着它是按顺序进行的。在推理过程中，系统会根据当前动作及其前一帧的潜在信息生成下一帧。尤其值得一提的是，该模型采用了无分类器引导技术，这项技术提高了模型的可控性和对动作的响应速度。该模型基于海量的视频素材进行训练，因此能够展现出许多未预先编程的涌现功能。

GENIE 2 与其前身 GENIE 1 有何不同？

GENIE 1 和 GENIE 2 之间的区别是根本性的，标志着世界模型开发领域的一次重大飞跃。GENIE 1 仅限于二维环境，只能生成简单的 2D 平台游戏场景。角色通常模糊不清，可玩时间也只有大约两秒钟。而 GENIE 2 则可以处理完整的三维世界，并能持续生成更长时间。GENIE 1 生成的环境高度简化，而 GENIE 2 则可以渲染具有逼真物体交互、精细角色动画和物理精确行为的复杂场景。此外，GENIE 2 的泛化能力也得到了显著提升，这意味着即使从未见过完全相同的环境，GENIE 2 也能推断并理解环境的概念。

GENIE 2 的分辨率和帧速率是多少？

GENIE 2 能够生成分辨率为 720 像素、帧速率足以满足互动游戏需求的交互式环境。该模型有两个版本：一个是提供最高质量的完整基础版本，另一个是支持实时交互但视觉质量略有降低的精简版本。这种质量与速度之间的平衡对于实际应用至关重要。

功能和特性

GENIE 2 可以执行哪些物理模拟？

GENIE 2 拥有令人印象深刻的物理模拟功能，使其在众多世界模型中脱颖而出。该系统能够真实地模拟重力，使物体在掉落后能够自然下落。它还能模拟物体之间以及角色与环境之间的碰撞。水体效果也得到了逼真的模拟，包括物体破水或穿过水面时产生的波浪。此外，该系统还能生成烟雾和其他粒子特效。更重要的是，它还集成了复杂的光照模拟、逼真的反射和阴影效果。这些物理模拟并非简单的预设动画，而是由神经网络根据玩家的操作和场景的当前状态实时计算得出。

GENIE 2 的所谓“长期记忆”是如何工作的？

GENIE 2 最卓越的功能之一是长时程记忆，它解决了困扰以往世界模型的一个难题。该模型能够记住当前用户视野之外的生成世界区域。例如，如果一个虚拟化身离开房间，之后又返回同一房间，系统会始终如一地重建出之前房间的景象。这得益于模型内部对世界状态的记忆。然而，这种记忆并非万能：GENIE 2 能够维持大约 60 秒的世界一致性。超过这个时间，视觉瑕疵就会出现，细节会丢失，稳定的环境幻觉也会消失。实际上，大多数系统演示都使用持续 10 到 20 秒的场景来展示最佳效果。

GENIE 2 提供哪些视角和控制选项？

GENIE 2 支持多种视角，使用户能够从不同角度体验虚拟世界。第一人称视角提供角色视角。第三人称视角则提供角色及其周围环境的外部概览，类似于许多现代电子游戏。此外，还提供等距视角，呈现对角线俯视的视角。游戏采用键盘和鼠标控制，操作直观便捷。系统能够智能识别场景中代表角色的元素并进行相应移动，而其他元素（例如树木或云朵）则保持静止。

GENIE 2 能否根据真实照片生成世界？

是的，GENIE 2 的确可以利用真实照片作为起点，将其转化为交互式三维环境。这正是这项技术最引人入胜之处。例如，一张海滩的真实照片可以被赋予动画效果，让用户能够走进水中，探索周围环境。一张房间的照片也可以变成一个完全交互式的三维环境。该系统必须从平面图像中提取深度结构，并构建一个连贯且符合物理规律的三维世界。这需要对空间几何和物体关系有深刻的理解。

GENIE 2 和 SIMA 代理如何协同工作？

GENIE 2 与 DeepMind 的 SIMA 智能体相结合，尤其令人兴奋。SIMA 智能体是一个人工智能系统，能够通过自然语言指令在数字世界中执行动作。它可以在 GENIE 2 生成的环境中导航，并遵循自然语言命令。例如，在演示中，SIMA 智能体可以理解“打开蓝色门”的指令，并在虚拟世界中执行。这种协同效应前景广阔：GENIE 2 可以创建无数不同的训练环境，而 SIMA 则可以在这些环境中学习和行动。这有望引领人工智能智能体开发的新范式。

应用及实际用途

GENIE 2 将如何革新游戏开发？

游戏开发是 GENIE 2 最显而易见的应用领域之一，其影响可能是变革性的。传统上，游戏开发者需要花费大量时间创建 3D 模型、设计场景并手动编写环境程序。GENIE 2 可以显著加快这一流程。开发者只需输入概念图或文字描述，系统即可生成一个可立即游玩的环境。这使得快速原型制作和迭代开发成为可能。设计师可以快速尝试不同的环境变体，找出最佳方案。这不仅节省时间，还能激发创造力，因为开发者可以测试更多概念。此外，GENIE 2 生成的世界可以作为进一步完善的起点，而手动设计仍然发挥着重要作用。

GENIE 2 对人工智能代理的训练有何意义？

训练人工智能代理或许是 GENIE 2 最重要的应用，也是谷歌 DeepMind 如此重视该项目的原因。在训练机器人或其他具身人工智能系统时，开发者需要数百万个不同场景的示例。此前，这些示例要么需要在现实世界中收集，既耗时又费钱；要么只能使用有限的模拟环境，而这些环境的真实性往往不足。GENIE 2 通过生成无限数量的不同训练场景解决了这个问题。例如，机器人可以在 GENIE 2 生成的仓库环境中，以数千种不同的配置进行训练，从而学习如何在混乱的环境中导航。自动驾驶汽车可以在模拟的大城市交通环境中，以无穷无尽的变化场景进行训练。这有助于提升系统的泛化能力，使其更加稳健。每个生成的场景都可以完全不同，同时又保持物理上的合理性和一致性。

GENIE 2 如何帮助进行可视化和建模？

除了游戏开发和人工智能训练之外，GENIE 2 在可视化和建模领域也有应用。建筑师可以快速将设计图转化为交互式三维模型，供客户查看。企业可以可视化并优化生产流程。在教育领域，可以通过交互式模拟教授复杂的概念。生物老师可以可视化微观生态系统，供学生探索。物理老师可以实时模拟物理现象。其应用前景几乎是无限的。

GENIE 2 在医学培训中可以发挥什么作用？

GENIE 2 也可为医学教育做出重大贡献。利用 GENIE 2 生成的医院环境进行运营建模，有助于开发更完善的系统来辅助医生工作。医学生可以在逼真而安全的虚拟环境中进行训练。通过生成各种医院配置和紧急情况场景，可以提高应对不同情况的准备能力。这有望在不损害真实患者安全的前提下，显著提升医学培训质量。

GENIE 2 如何在视频制作中使用？

GENIE 2 在视频制作和电影摄影领域的应用也令人兴奋。电影制作人可以生成输入帧，然后移动虚拟摄像机穿梭于生成的虚拟世界，从而拍摄出原本需要昂贵布景或复杂 CGI 特效才能实现的镜头。这不仅可以降低电影制作成本，还能拓展创作可能性。只需几分钟，一个灵感就能转化为完整的视频场景，而无需庞大的制作团队。

🗒️ Xpert.Digital：扩展和增强现实领域的先驱

找到合适的 Metaverse 机构和规划办公室，例如咨询公司 - 图片：Xpert.Digital

🗒️寻找合适的元界机构和规划办公室，例如咨询公司 - 搜索和搜索咨询和规划的十大技巧

更多相关信息请点击这里：

Metaverse 和 XR 专家：寻找合适的合作伙伴

GENIE 通过构建世界模型而非数据抓取来创建 200 万个新的 AI 训练环境。

人工智能的训练环境有限

GENIE 2 在多大程度上能够实现无限的训练环境？

无限训练环境的方法对人工智能研究具有变革性意义。以往的人工智能系统只能反复在相同的环境中导航，并从有限的训练样本中学习，而GENIE 2可以生成200万个不同的环境。这意味着人工智能代理永远不会两次遇到完全相同的情况。这种多样性带来了更好的泛化能力，因为模型不再只是记忆特定已知场景的行为，而是发展出真正的概念和策略。在数千种不同的仓库配置中训练过的机器人，比在单一环境中训练过的机器人更能应对新的、未知的配置。

通用人工智能和世界模型

为什么 DeepMind 将 GENIE 2 等世界模型视为迈向通用人工智能 (AGI) 的阶梯？

DeepMind 将 GENIE 2 等世界模型视为通往通用人工智能 (AGI) 的基石。原因在于，真正的智能需要理解因果关系、物理规律和后果。能够理解和模拟复杂动态场景的系统，比只能识别静态模式的系统，展现出对世界更深刻的理解。GENIE 2 使人工智能系统能够在各种场景中学习和运行，从而更接近真正的智能。此外，该技术还能解决训练数据发现的问题。由于几乎所有可用的网站和视频都已被输入到现代人工智能系统中，数据危机迫在眉睫。GENIE 2 可以生成无限量的合成训练数据，而无需依赖真实世界的数据，从而推动人工智能系统的进一步发展。

局限性和挑战

GENIE 2 的时间限制是什么？

尽管 GENIE 2 令人印象深刻，但它也存在一些显著的局限性。其中最重要的是时间一致性。该模型能够维持大约 60 秒的连贯世界。此后，视觉瑕疵会逐渐出现，破坏世界连贯性的幻觉。这部分是由于模型的设计所致，它采用顺序生成帧的方式，在此过程中会累积微小的误差。这些误差被称为漂移，是生成模型中一个众所周知的问题。实际上，为了展示最佳效果，大多数系统演示的时间都控制在 10 到 20 秒之间。

视觉一致性方面存在哪些问题？

第二个主要问题是长时间的视觉一致性。系统的内存（用于保存不可见的世界细节）在最初几秒内表现相对较好，但随着时间的推移或摄像机移动过远，其性能会开始下降。文本渲染是另一个弱点。如果场景中需要出现文本，模型通常难以正确、清晰地生成文本。这是许多生成式人工智能模型都存在的已知问题。

GENIE 2 的硬件和计算能力要求是什么？

GENIE 2 的计算量非常大。该系统能够实时渲染超长视频，这需要极其强大的处理能力。即使是支持实时交互的精简版，也仍然需要相当可观的计算能力。而提供最高画质的完整基础版则需要更多资源。因此，目前广泛应用和本地部署尚不现实。用户需要强大的 GPU 集群才能有效使用该系统。

智能体交互方面存在哪些局限性？

尽管人工智能体可以在GENIE 2生成的虚拟世界中移动并执行任务，但它们的交互能力仍然有限。这些智能体无法主动改变虚拟世界，只能进行导航和交互。例如，它们可以开门或移动物体，但无法做出从根本上改变虚拟世界的永久性改变。此外，多个独立智能体在同一虚拟世界中同时行动的建模也尚未得到充分实现。

当前供应情况及未来前景

谁可以使用 GENIE 2？

GENIE 2 目前尚未向公众开放。DeepMind 正在对该系统进行有限的研究预览测试，仅允许部分研究人员和创意人员访问。这部分是出于计算需求方面的实际考虑，也是为了在受控条件下评估风险并进一步开发模型。DeepMind 计划未来扩大测试人员的访问权限，但尚未公布公开发布的具体时间。

下一步的发展和改进方向是什么？

DeepMind 正在积极致力于克服 GENIE 2 的局限性。一项重要的改进是提高分辨率，以创建更加逼真的环境。此外，他们还计划扩展交互方式，允许智能体更广泛地操控世界。优化性能以实现更快的处理速度和更低的延迟将改善用户体验。尤其重要的是增强时间一致性，确保世界在更长的时间内保持稳定。这些改进将使 GENIE 2 的应用范围更加广泛。

未来会有哪些版本或后续版本？

已有迹象表明，下一代模型 GENIE 3 正在研发中，据称其性能优于 GENIE 2。GENIE 3 能够维持数分钟的稳定模拟，这将是一项重大进步。随着技术的进一步发展，该系统最终能够生成持续数小时的稳定虚拟世界，这对于许多训练和应用场景至关重要。从长远来看，该系统有望创建几乎无限且完全一致的虚拟世界，供人工智能或人类进行交互式探索。

对行业和社会的影响

GENIE 2 将如何改变游戏开发行业？

这将对游戏开发行业产生深远的影响。以往缺乏资源打造大型开放世界游戏的中小型工作室，如今或许也能实现此类项目。开发周期或将大幅缩短。这有望推动游戏开发的民主化，降低技术门槛，让更多创意声音得以被听到。与此同时，成熟的游戏工作室也能显著简化流程，将更多时间投入到游戏玩法和叙事设计，而非素材制作。

GENIE 2 对机器人技术有何影响？

GENIE 2有望彻底改变机器人行业。机器人可以更快、更好地接受训练，从而打造出更智能、更强大的系统。这在物流和制造业领域尤为重要，因为在这些领域，自主系统已经发挥着重要作用。GENIE 2有望加速并改进此类系统的开发。

由此会产生哪些伦理和社会问题？

GENIE 2 的强大功能也引发了伦理问题。生成逼真的虚拟世界可能被用于新型的操纵或欺骗手段。目前，这项技术仅限于研究机构和资金雄厚的公司使用，这引发了人们对不平等的担忧。此外，在这些生成的虚拟世界中训练的人工智能系统的可控性也值得关注，这些系统在脱离这些受控环境后是否会表现出不良行为。

DeepMind 的 GENIE 2：为什么这个世界模型可能是通用人工智能 (AGI) 的关键所在

从数据匮乏到数据丰富：GENIE 2 如何创建无限的训练世界

为什么 GENIE 2 是人工智能发展史上的一个里程碑？

GENIE 2 是一项里程碑式的成就，因为它解决了人工智能研究中的多个难题。它证明了实时生成复杂、动态的虚拟世界是完全可能的，这在以前被认为是不可能实现的。它还表明，人工智能可以理解物理学、因果关系和逻辑推论。这些都是通往通用人工智能道路上至关重要的基石。此外，GENIE 2 可以通过合成生成无限量的真实训练数据来解决人工智能研究中的数据难题。这有望开启人工智能发展的新纪元。

用户和开发者将如何适应 GENIE 2？

随着 GENIE 2 或其后续版本得到更广泛的应用，开发者需要调整并整合这些新工具到他们的工作流程中。这可能会催生新的职业，例如虚拟世界提示工程师，他们精通 GENIE 的使用方法。同时，它也可能改变现有的职业，因为一些传统任务将被人工智能取代。社会终将适应一个可以在几秒钟内生成逼真环境的世界。

在构建更完善的世界模式的道路上，还有哪些其他挑战？

接下来的主要挑战是提高时间一致性，使游戏世界能够持续稳定运行数小时。需要提高空间精度，以更好地重现现实世界中的场景。需要扩展交互方式，使智能体能够更深入地影响游戏世界。需要降低计算需求，使系统能够被更广泛的用户群体所使用。需要改进文本渲染，以便在场景中生成清晰易读的文本。

我们何时才能看到 GENIE 2 的全面实际应用？

实际情况很可能是一个循序渐进的过程。研究机构可能已经开始将 GENIE 2 用于特定应用，例如训练人工智能代理。游戏开发领域的内部原型测试也可能在未来几年内启动。然而，该系统要优化到足以进行大规模工业应用，可能还需要数年时间。后续版本，尤其是 GENIE 3 及更高版本，将至关重要。

GENIE 2 在其他人工智能技术进步的背景下定位如何？

GENIE 2并非孤立存在，而是更广泛的人工智能革命的一部分。它问世之际，GPT-4、Claude等主流语言模型已展现出令人瞩目的能力。与此同时，DALL-E和Midjourney等模型也已将文本到图像的生成功能普及开来。GENIE 2将这些能力扩展到了时间性和交互性维度。它表明，人工智能研究不仅可以生成静态内容，还可以生成动态的、交互式的环境。这或许将开启人工智能发展史的新篇章。

谷歌旗下DeepMind的GENIE 2项目的总体目标是什么？

总体目标雄心勃勃：DeepMind 将 GENIE 2 视为迈向通用人工智能的垫脚石。DeepMind 相信，通过创建能够理解和模拟复杂动态世界的系统，他们正在为真正的智能奠定基础。将此与 SIMA 等智能体相结合，有望打造出能够在现实世界中自主运行的人工智能系统。这一宏伟目标能否实现，将在未来几年内见分晓，但 GENIE 2 无疑是朝着这个方向迈出的重要一步。

您的全球营销和业务发展合作伙伴

☑️我们的业务语言是英语或德语

☑️ 新：用您的国家语言进行通信！