Google DeepMind 近日發表了其最新的通用世界模型 (World Model) Genie 3，這項技術的突破在於能夠僅僅透過文字提示，即時生成一個前所未有、可供使用者自由探索與互動的動態 3D 環境。這不僅是 AI 生成技術的一大步，更被視為是通往通用人工智慧 (AGI) 的關鍵基石。
Genie 3 的核心突破：從影片到可互動的世界
先前熱門的新成式 AI 新模型，如 OpenAI 的 Sora，主要專注於從文本生成高品質的影片。而DeepMind 的 Genie 系列從一開始就懷抱著更宏大的目標：創造一個能讓 AI 代理 (agent) 在其中學習和互動的模擬世界。
相較於前代只能生成約 10-20 秒短影片的 Genie 2，Genie 3 大幅提升了產出的範疇，它能夠以每秒 24 frames / 720p 的解析度，生成一個可持續數分鐘互動的虛擬世界。使用者不再只是被動觀看，而是可以像類似 MineCraft 這類沙箱遊戲一樣，在 AI 生成的世界中即時移動、探索，而世界也會對使用者的行為做出即時反應。
Genie 3 的主要特點功能：
即時互動性 (Real-Time Interactivity): 這是 Genie 3 最大的突破。使用者可以即時控制視角，在生成的場景中行走、飛行或游泳，體驗類似沉浸式互動的感覺。
靈活的提示詞生成 (Promptable World Generation): 使用者只需輸入一段描述性文字，例如「一條沿著海岸線的公路，大雨滂沱，海浪拍打著護欄」，Genie 3 就能創造出對應的動態場景。更令人驚豔的是，在互動過程中，還能隨時加入新的指令，如「讓一位具備利劍的英勇騎士騎著白馬出現」，模型會即時修改世界。
時間與空間的一致性 (Consistency Over Time): 模型能夠在幾分鐘的互動中保持世界的連貫性。當你離開一個地點再回來時，場景中的物件，如房屋和樹木，依然會維持原樣。
模擬物理與自然現象 (Modelling Physical Properties): Genie 3 能夠模擬複雜的物理特性，如水波的流動、光影的變化，以及充滿活力的生態系，從動物行為到複雜的植物生命，都能夠生動呈現。
為何世界模型如此重要？
世界模型被認為是 AI 研究的下一個重點領域，能讓 AI 去理解世界運作的因果關係，並模擬其行為。這對於訓練 AI 代理至關重要，因為它提供了一個可以無限生成、充滿變化且絕對安全的虛擬訓練場。AI 可以在這些模擬環境中學習各種技能，從駕駛到複雜的機器人操作，而無需承擔現實世界中的風險與成本。
DeepMind 明確指出，世界模型是實現通用人工智慧 (AGI) 的關鍵墊腳石。
目前的限制與未來展望
儘管 Genie 3 取得了驚人的成就，但 DeepMind 也坦言其仍存在一些限制：
互動時間有限： 目前僅能維持數分鐘的連續互動。
動作空間受限： 使用者能執行的直接動作範圍仍然有限。
地理精度： 還沒辦法用正確的地理精度模擬真實世界的位置。
多代理互動： 精準模擬多個獨立代理之間的複雜互動仍是一大挑戰。
儘管如此，Genie 3 的出現不僅可能徹底改變遊戲開發、電影製作和內容創作的未來，未來也是新 AI 技術成長中的重要里程碑呢。
