就在刚刚，谷歌DeepMind的第二代大规模基础世界模型Genie 2诞生了！
从此，AI可以生成各种一致性的世界，最长可玩1分钟。
谷歌研究人员表示，相信Genie 2可以解锁具身智能体的下一波能力。
从第一人称的真实世界场景，到第三人称的驾驶环境，Genie 2生成了一个720p的世界。
给定一幅图像，它就能模拟出世界动态，创建一个可通过键盘和鼠标输入的、可操作的一致环境。
具身智能体的潜力有多大？
在以下这个Imagen 3生成的世界中，研究者测试出最新的智能体是否可以遵循语言指令，走到红门或蓝门。
结果令人惊喜！
就这样，现在我们拥有了一条通往无限环境的道路，来训练和评估具身智能体了。
研究者创造了一个有3个拱门的世界后，Genie 2再次模拟了这个世界，让团队解决了任务。
对此，网友们纷纷表示赞叹：」这项工作实在是太棒了！今后，我们终于可以将开放式智能体与开放世界模型结合起来。我们正在朝着近乎无限的训练数据体系迈进。」
还有网友表示：「黑客帝国」的世界，要来了！
作为一种基础世界生成模型，Genie 2能生成无限多样的、可操控且可玩的3D环境，用于训练和评估具身智能体。
基于一张提示词图像，它就可被人类或AI智能体操作了！方式是使用键盘和鼠标输入。
在AI研究中，游戏一直扮演着至关重要的角色。因为具有以引人入胜的特性、独特的挑战组合以及可衡量的进展，游戏成为了安全测试和提升AI能力的理想环境。
自Google DeepMind成立以来，游戏一直都是研究的核心——从早期的Atari游戏研究，到AlphaGo和AlphaStar等突破性成果，再到与游戏开发者合作研究通用智能体。
然而，训练更通用的具身智能体，却因缺乏足够丰富和多样化的训练环境而受到限制。
但现在，Genie 2的诞生改变了一切。
从此，未来的智能体可以在无限的新世界场景中进行训练和评估了。
交互式体验原型设计的新型创意工作流程，也有了全新的可能性。
迄今为止，世界模型在很大程度上都受限于对狭窄领域的建模。
在Genie 1中，研究人员引入了一种生成多样化二维世界的方法。
而到了Genie 2这一代，在通用性上实现了重大突破——它能生成丰富多样的3D世界了。
Genie 2是一种世界模型，这就意味着，它可以模拟虚拟世界，包括采取任何行动（如跳跃、游泳等）的后果。
基于大规模视频数据集进行训练后，它像其他生成式AI模型一样，展现出了各种规模的涌现能力，例如物体交互、复杂的角色动画、物理效果、建模、预测其他智能体行为的能力等等。
对于每个人类与Genie 2互动的demo，模型都以由Imagen 3生成的单张图片作为提示词输入，
这就意味着，任何人都可以用文字描述自己想要的世界，选择自己喜欢的渲染效果，然后进入这个新创建的世界，并且与之互动（或者，也可以让AI智能体在其中被训练或评估）。
每一步，人或智能体都能通过键盘和鼠标提供动作，而Genie 2会模拟下一步的观察结果。
在长达一分钟的时间里，Genie 2可以生成一个一致的世界，持续时间直接长达10-20秒！
动作控制
Genie 2能够智能响应通过键盘按键采取的动作，识别角色并正确移动。
例如，模型必须计算出，箭头键应该移动机器人，而不是移动树木或云朵。
一个在树林中的可爱的人形机器人一个在古埃及的人形机器人在紫色的星球上，以机器人第一人称视角观察在现代都市的公寓中，以机器人第一人称视角观察生成反事实
Genie 2能够基于同一个开始画面，创造出多个不同的发展。
这意味着我们可以为AI训练提供各种「如果这样做会怎样」的场景。
在下面的这两行demo中，每个视频都会从完全相同的画面开始，但人类玩家会选择不同行动。
长时间记忆
Genie 2能够记住那些暂时离开画面的场景，并在它们重新进入视野时，tp钱包精确地还原出来。
持续生成新场景
Genie 2能在过程中实时创造出符合逻辑的新场景内容，并且可以在长达一分钟的时间内保持整个世界的一致性。
多样化环境
Genie 2能够生成多种不同的观察视角，比如第一人称视角、等距视角（45度俯视角）或第三人称驾驶视角。
有了Genie 2，制作多样化的交互场景就变得简单了。
研究人员可以快速尝试新环境，来训练和测试具身AI智能体。
例如，下面就是研究人员向Genie 2输入Imagen 3生成的不同图像，来模拟操控纸飞机、飞龙、猎鹰或降落伞等不同的飞行方式。
在这个过程中，也同时测试了Genie处理不同控制对象动作时的表现。
凭借强大的离散泛化能力，Genie 2可以将概念设计图和手绘草图转化为可实际交互的场景。
从而让艺术家和设计师能够快速验证创意，提升场景设计的效率，并加快相关研究的进度。
以下是由概念设计师创作出的一些虚拟场景示例。
AI智能体在世界模型中行动
借助Genie 2，研究人员能够快速构建出丰富多样的虚拟环境，并创造全新的评估任务，来测试AI智能体在从未接触过的场景中的表现。
下面这个demo，就是由谷歌DeepMind与游戏开发者共同开发的SIMA智能体，它能够在Genie 2仅通过一张图片生成的全新环境中，准确理解并完成各种指令。
prompt：一张第三人称开放世界探索游戏的截图。画面中的玩家是一名在森林中探索的冒险者。左边有一座红门的房子，右边有一座蓝门的房子。镜头正对着玩家的身后。#写实风格 #身临其境
SIMA智能体的目标是，能够在多样化的3D游戏环境中，通过自然语言指令完成各种任务。
在这里，团队使用Genie 2生成了一个包含两扇门（蓝色和红色）的3D环境，并向SIMA智能体提供了打开每扇门的指令。
过程中，SIMA通过键盘和鼠标来控制游戏角色，而Genie 2负责实时生成游戏画面。
打开蓝色的门
打开红色的门
不仅如此，我们还可以借助SIMA来评估Genie 2的各项能力。
比如，通过让SIMA在场景中四处查看并探索房屋背后的区域，测试Genie 2是否能够生成一致性的环境。
转身
去房子后面
尽管这项研究还处于起步阶段，无论是AI智能体的表现，还是环境的生成都还有待提升。
但研究人员认为，Genie 2是解决安全训练具身智能体这一结构性问题的路径，同时也能够实现通向通用人工智能（AGI）所需的广度和通用性。
prompt：一个电脑游戏场景，展示了一座粗犷的石洞或矿洞内部。画面采用第三人称视角，镜头在主角上方俯视着。主角是一位手持长剑的骑士。骑士面前矗立着三座石砌的拱门，他可以选择进入任一道门。透过第一扇门，可以看到隧道内生长着散发荧光的奇异绿色植物。第二扇门后是一条长廊，洞壁上布满了铆接的铁板，远处隐约透出令人不安的光芒。第三扇门内则是一段粗糙的石阶，蜿蜒通向未知的高处。
走上楼梯
去有植物的地方
去中间的门
扩散世界模型Genie 2是一种基于大规模视频数据集训练的自回归潜变量扩散模型。
其中，视频的潜变量帧首先先会由自动编码器进行处理，然后被传递给一个基于类似LLM中因果掩码训练的大规模Transformer动态模型。
在推理阶段，Genie 2可以以自回归的方式进行采样，逐帧利用单个动作和先前的潜变量帧。期间，无分类器指导（classifier-free guidance）会被用于提高动作的可控性。
值得注意的是，上文中的演示均由未经蒸馏的「满血版」基础模型生成，从而充分地展示技术潜在的能力。
当然，也可以实时运行经过蒸馏的版本（distilled version），但输出质量会相应降低。
花絮除了这些酷炫的demo之外，团队还在生成过程中发现了很多有意思的花絮：
在花园里站着发呆，突然间，一个幽灵出现了
这位朋友更喜欢在雪场里跑酷，而不是老老实实地用滑雪板滑雪
能力越大，责任越大
致谢最后，谷歌DeepMind团队放出了一个长长的致谢名单。
参考资料：https://deepmind.google/discover/blog/genie-2-a-large-scale-foundation-world-model/
本文来源：新智元，原文标题：《刚刚，DeepMind最强「基础世界模型」诞生！单图生1分钟游戏世界，解锁下一代智能体》
风险提示及免责条款 市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。
