近日，谷歌DeepMind发布了Genie 3 ，这标志着生成式人工智能发展迈出了重要一步。Genie 3是一款开创性的模型，能够根据文本或图像提示创建完全交互式的三维虚拟世界。该系统能够实时生成并维持动态且连贯的环境长达数分钟，这代表着虚拟仿真和通用人工智能（AGI）探索领域的一项重大进步。
这项技术超越了 Genie 2 等前代产品的功能，它是一款基于人工智能的“生成式图形引擎”，允许用户或人工智能代理在机器生成的场景中移动、互动并体验持续变化。与传统的视频生成器不同，Genie 3 不仅能创建动态图像，还能创建鲜活的、可导航的环境，用户的操作会产生持久的影响。
只需按下按钮即可进入虚拟世界
Genie 3最显著的技术特性之一是能够以每秒 24 帧和 720p 分辨率运行，并能将生成的环境结构保持数分钟之久，而之前的版本只能维持 10 到 20 秒。用户可以像玩电子游戏一样探索这些场景，使用方向键移动，并通过文本触发事件：例如，请求出现新角色、改变天气或修改虚拟世界中的物体。
一项关键创新是所谓的“世界记忆”：Genie 3 能够记住并整合几分钟后对环境所做的更改，这对于模拟复杂动态环境和设计自主智能体的训练活动尤为有用。例如，如果用户粉刷了一面墙或改变了一个物体，然后离开，回来时这些更改会保持原样，从而提升沉浸式和无缝体验。
Genie 3 的应用和潜力
Genie 3的潜力远不止于娱乐：它还可以应用于互动教育、机器人训练、虚拟旅游和应急模拟等领域。由于它拥有具有内在逻辑的连贯世界，因此该模型有助于开发和评估能够从经验中学习的智能体——这是迈向通用人工智能的关键一步。
谷歌DeepMind强调，该模型根据文本指令和用户操作生成每一帧画面，因此世界是动态演变的，而非预先设定的。“世界事件”可以随时触发，从而实现高度的定制化和实验性。例如，从环境中动物的出现到天气的变化，所有这一切都可以模拟，并由人工智能进行控制。
当前的限制和限制访问
尽管 Genie 3 代表着一项重大进步，但它仍然存在一些局限性。智能体（无论是人类还是人工智能）的行动范围有限，多个用户或独立人工智能之间的交互也较为基础，模拟时长也仅限于几分钟。此外，除非在初始输入中明确指定，否则无法精确地复现现实世界的场景，也无法在物体上创建可读文本。
目前，Genie 3 的访问权限仅限于谷歌邀请的一小群研究人员和开发者。这一限制阶段旨在分析风险、完善工具并建立安全措施，然后再向公众发布。该公司认识到这些模型在解决训练数据匮乏问题以及推动新型模拟技术发展方面的潜力，在新型模拟技术中，世界几乎是无限的，并且可以灵活适应。
生成人工智能的新前沿
Genie 3 的问世标志着人工智能驱动的虚拟环境创建发展历程中的一个里程碑。它不仅仅是将文本转化为图像或视频，而是提供丰富、动态且持久的体验，让人类和自主系统都能从中学习、实验和进化。这种由谷歌 DeepMind 开创的方法有望彻底改变我们与人工智能的交互方式，以及人工智能从周围世界中学习的方式。
