此即未来！Google重磅上线通用世界模型Genie 3

今天除了 OpenAI 开源的 gpt-oss 之外，还有一个我觉得非常值得一说的东西。

就是 Google 发布的这个世界模型，Genie 3。

更多谷歌模型介绍：

作为一个将近 20 年的游戏玩家和近 10 年的 VR 玩家，我看到这个视频的时候，心真的在怦怦跳。

本来 6 点钟发了 gpt-oss 之后，想睡醒了再聊，下午发。

但是翻来覆去睡不着，于是翻身起床，决定来聊聊这玩意。

先看视频吧。

这不是又一个简单的可以互动的 AI 视频模型，更不是什么 Sora 或者 Veo 的简单升级。

如果你仅仅把它理解为能实时互动的 Sora，那我觉得，就完全低估了它的革命性了。

Genie 3 是一个世界模型 (World Model)。

对我而言，它更像是是一个创世引擎的雏形。

我们正站在一个新世界的入口，而 Google，刚刚为我们推开了一丝门缝。

要理解 Genie 3 的颠覆性，我们必须先弄明白一个概念。

世界模型。

这个词听起来很玄乎，但我们可以用一个简单的比喻来理解。

比如说过去的视频生成模型，Sora，更像是一位电影导演。

他已经把整部电影拍完、剪好，加好特效，然后放给你看。画面很精美，故事很完整，但你是纯粹的观众，只能被动接受，无法改变任何事。

而世界模型，则更像一个即时计算的视频游戏引擎，每一步都根据当前状态和用户操作来决定下一瞬间的画面。

这个游戏引擎，搭起了一个世界，这个世界里有物理定律，比如东西往下掉，撞墙会反弹，有环境设定，甚至有 NPC 的行为逻辑。

它搭好舞台后，就在那儿等着你的指令。

当你按下手柄的按键，它会根据这个世界的规则，实时地计算并渲染出接下来会发生什么。

这就是 Genie 3 和 Sora、Veo3 之类的 AI 视频产品最本质的区别。

一个是预先录制的电影，另一个是可实时演算的模拟器。

前者是叙事的终点，后者是世界的起点。

Genie 3 的演示里，有一个直升机在天空中飞行的场景，之所以让人震撼，是因为每一次转弯、每一次海面水波的荡漾，都是模型对用户实时输入的即时反馈，所有的场景，都稳定的始终如一。

要知道，这可不是在播放一段固定的视频，所有的场景也不是事先建模好的 3D 场景，而是在你按下手柄方向键的那一刻，它，为你生成了全世界。

这种能力，我们在游戏里，一般称之为：

创世。

比如这个这只蜥蜴的世界。

还有这个山脉漂浮，悬崖倒置，河流在半空中扭曲的世界。

所有的一切，都是跟随着你的前进、你的移动、你的跳跃，实时生成的。

这画质、这稳定性、这一致性、这交互性。

太可怕了。

当然，Genie 3 并非横空出世的奇迹，罗马也不是一天建成的。

他们之前就做过很多实验了。

GameNGen 是一个来自 2023 年初 DeepMind（准确来说是 Google Research）的实验性项目，全名叫做 Diffusion Models Are Real-Time Game Engines。

当时基于毁灭战士做了一个很短的可控视频实时生成，还挺火的。

不过那时候还是非常的偏实现性质，太糙了，分辨率也只有可怜的 320p。

接着，他们做出了 Genie1 和 Genie 2。

分辨率提升到了 360p，应用范围也扩大到了更通用的 3D 环境。

但注意看，代价是什么？交互延迟那一栏写着“非实时”，非常的卡顿。

为了追求更复杂的环境，他们牺牲了最重要的实时性。

同时，交互时长也只从几秒提升到了 10-20 秒。

在探索世界模型的同时，另一条 AI 视频的路线也在狂飙突进，代表作大家肯定都知道了，就是 Veo。

Veo 把分辨率直接干到了 4K 级别，生成的画面也极其通用和逼真，可以说是现在最牛逼的 AI 视频模型了。

但它的本质，依然是 AI 视频模型，没有交互。

它只负责把画质和真实感这条路走到极致。

然后，就是今天，主角 Genie 3 登场了。

它像一个集大成者，终于解决了前辈们无法调和的矛盾。

交互延迟：实时，它找回了 GameNGen 最初的梦想。

交互时长：数分钟， 相比 Genie 2 的十几秒，是数量级的飞跃。

控制方式：导航+可提示世界事件，不仅能让你行动，还可以直接用语言创世。

分辨率：720p，一个非常聪明的选择，是在保证实时性和互动时长的前提下，找到的最佳画质平衡点。

理解了这段历史，我们再来看“一致性”这个致命难题，就会有更深的感触。

在 Genie3 里面，开头是一副黑板，上面有图、有字，你走上前去，细细观摩，然后走到一边，看向窗外，过了一分钟，再回来，黑板上的内容，只字未改，依旧存在。

这个一致性，这个记忆能力，太恐怖了。

还有这个视频。

他们是可以保证，建筑物左侧的树木在整个互动过程中保持一致，即使它们时而进入视野，时而又离开视野。

太牛逼了。

之前应该也就一个月左右，我体验过一个叫 Odyssey 的产品，也是世界模型。

坦诚的讲，那是一次非常糟糕的体验。

我控制角色往前走了也就十几秒，整个画面就开始崩坏、扭曲。

最吓人的是，每次当我回头看走过的路时，身后的世界完全变了样，而且是每回头一次，它就变一次。

那种感觉，就像你走在一个不断溶解、不断重组的恐怖空间里，极度缺乏安全感。

我在一个世界模型里，走出了恐怖游轮的感觉。

而 Genie 3 最牛逼的地方，恰恰就是在这个要命的问题上取得了突破。

当它的稳定交互时长能从十几秒跃升到数分钟时，就意味着我们终于可以从 Odyssey 那种回头即崩的恐怖体验，迈向一个至少在几分钟内值得信赖和探索的稳定世界。

所以，Genie 3 在我看来，就像一场我们能部分控制的清明梦。

绚烂、多变、充满惊喜，但目前还像个随时可能醒来的梦。

即便如此，它所展现出的可能性，已经给了我前所未有的想象空间。

你甚至可以在这个梦里，就跟创世神一样，随意的修改。

这种创世引擎一旦成熟，它对现有部分行业的冲击将是核弹级的。

我玩了这么多年 VR，其实一直以来，最大的痛点就是内容匮乏。

我们体验到的依然是一个个稀少的、孤立的、精美的 3D 场景，而不是一个活生生的世界。

未来，你戴上 VR 头显，不再是打开一个 App 列表，而是对你的 AI 助手说一句话：带我去一个雨夜的赛博朋克城市，要能听到远处警笛声，街角要有一个卖拉面的小摊。

然后，一个独一无二、可供你实时探索的世界，就为你而生了。

VR 将从一个内容消费的设备，变成一个世界生成的入口，解决了内容的问题，才有元宇宙真正该有的样子。

这也才是绿洲，真正的魅力。

对于游戏行业来说，也是。

现代 3A 的开发成本动辄数亿美金，其中绝大部分都花在了构建庞大而精细的游戏世界上，这是一个劳动密集型、资本密集型的产业。

比如说未来的《上古卷轴 6》或者《GTA7》，又或者《博德之门 4》，除了主线剧情，我们在游戏过程中，跟一个有个人意识的 NPC 聊天，然后触发了一个全新的支线任务。

“一个被巨龙摧毁的村庄的系列任务，我要在废墟里寻找幸存者，并找到巨龙的巢穴。”

当然，我并不是想表达，纯粹随机的故事或游戏能好玩到哪里去。讲故事、做游戏，想让大家觉得好看、好玩是非常难的一件事，规则的约束至关重要。

世界模型的可贵之处在于，它能在精妙的人类规则设计下，填充无穷无尽、合乎逻辑的动态细节。

游戏的延展，被巨幅拓宽，制作人或者设计者，完全可以指定这个 AI 世代的随机规则，就像生成《无人深空》里面的星球一样，用规则来约束世界模型的生成，在保证游戏性和故事性的基础上，让玩家的体验，不再首先与人力和想象力，而是把这个世界的主导权，交还一部分给玩家。

玩家不再只是玩家，更是关卡设计师、任务发布者、甚至是世界观的共创者。

官方演示里，智能体在 Genie 3 生成的世界里完成任务，我觉得这已经揭示了未来的冰山一角。

除了 VR、游戏，还有电影。

电影诞生一百多年来，其实也一直是线性的、导演中心制的，观众只能被动地跟随镜头，看一个被安排好的故事。

直到去年一些互动影游火了以后，讲故事的方法，稍微开始会有一些变化了，但，互动影游的情节，本质上也是一个被安排好的故事。

Genie 3，尤其是它的可提示世界事件，更像是一种全新叙事形式的诞生。

未来的电影，可能也更像一场由你主导的梦境。

当你看到主角面临一个抉择时，你可以暂停，然后用语言导演接下来的剧情。

“让天开始下雪，让他们在雪中拥抱。”或者，“让反派的电话突然响起，打断他们的对峙。”

你不再是观众，而是拥有部分神之权限的参与者。

这比《黑镜：潘达斯奈基》那种选择分支的互动剧要走得远得多。

它不是在 A 和 B 之间做选择，而是在一个拥有无限可能性的空间里，进行自由创作。

电影和游戏的边界，将在这里彻底消融。

我一想到那样的未来，我就心潮澎湃。

当然，我们也必须清醒地看到 Genie 3 当下的局限性。

只能维持几分钟的互动时长、无法精确模拟真实世界、文本渲染能力差……

以及，现在还没有对公众开放，真正产品上线的时候，效果不知道会不会打折。

它就像一百多年前卢米埃尔兄弟在咖啡馆里放映的第一部电影《火车进站》，粗糙、黑白、无声，甚至可能让当时的人感到恐慌。

但这不重要。

重要的是，它证明了一件事：路，是通的。

过去，我们通过文字和口述来传承神话。

后来，我们通过绘画和电影来描绘神话。

而今天，我们即将获得亲手创造神话的能力。

那问题来了。

“你，究竟想要一个什么样的世界呢？”

谢谢你看我的文章，我们，下次再见。