谷歌的AI研究机构DeepMind,公布了一款能够生成多种游戏3D世界的模型。
这款名为Genie 2的模型是DeepMind早前发布的Genie模型的升级版,能够根据一张图片和文字描述(如“一个可爱的类人机器人在树林中”)生成一个互动的实时场景。它与李飞飞的World Labs公司和以色列初创公司Decart正在研发的模型类似。
DeepMind表示,Genie 2可以生成各种各样的3D世界,包括那些玩家可以通过键盘或鼠标进行跳跃、游泳等互动的世界。该模型经过大量视频数据训练,能够模拟物体互动、动画、光照、物理效果、反射以及NPC(非玩家角色)的行为。
许多由Genie 2生成的场景,看起来就像3A游戏画面,这可能与训练数据中包含了热门游戏的实况视频有关。然而,出于竞争等原因,DeepMind并未透露其数据来源的具体细节。
与此同时,版权问题也引发了关注。作为谷歌的子公司,DeepMind可以自由访问YouTube,谷歌此前也表示,它的服务条款允许使用YouTube视频进行模型训练。但Genie 2是否是在未经授权的情况下复制它所“观看”的游戏?这一问题还需要法院判定。
DeepMind指出,Genie 2可以生成多个视角的连贯世界,包括第一人称视角和等距视角等,最长可持续一分钟,大多数情况下持续10到20秒。
“Genie 2能够根据键盘操作做出智能反应,识别并正确移动角色。”DeepMind在博客中写道,“例如,我们的模型能够正确判断,箭头键应该控制机器人而非树木或云朵。”
像Genie 2这样的“世界模型”能够模拟游戏和3D环境,但常常存在分辨率低、场景一致性差以及生成失真等问题。例如,Decart的Minecraft模拟器Oasis就存在分辨率低的问题,并且会快速“忘记”关卡布局。
然而,Genie 2能够记住视野之外的场景部分,并在这些部分重新出现在视野中时准确地呈现出来(World Labs的模型也具有类似功能)。
不过,用Genie 2创建的游戏并不会特别有趣,因为它们会每分钟左右重置玩家的进度。这也是DeepMind将该模型定位为研究和创作工具的原因——一个用于打造“互动体验”和评估AI智能体的工具。
“凭借Genie 2的跨分布泛化能力,概念艺术和图纸可以转化为完全互动的环境。”DeepMind表示,“通过使用Genie 2快速创建丰富多样的环境供AI智能体使用,我们的研究人员能够设计出训练中未见过的评估任务。”
创意人员可能对这一技术感到复杂,尤其是视频游戏行业的从业者。根据《连线》杂志的最新调查,像动视暴雪(Activision Blizzard)等大型公司,因裁员而大量引入AI来提升生产效率并弥补人员流失。
尽管如此,谷歌依然加大了在世界模型领域的投入,这有可能成为AI领域的下一大突破。今年10月,DeepMind聘请了曾负责OpenAI视频生成器Sora开发的Tim Brooks,来研究视频生成技术和世界模拟器。两年前,实验室还从Meta挖走了Tim Rocktäschel,他因在《NetHack》等游戏中的“开放性”实验而著名。
好文章,需要你的鼓励
Docker公司通过增强的compose框架和新基础设施工具,将自己定位为AI智能体开发的核心编排平台。该平台在compose规范中新增"models"元素,允许开发者在同一YAML文件中定义AI智能体、大语言模型和工具。支持LangGraph、CrewAI等多个AI框架,提供Docker Offload服务访问NVIDIA L4 GPU,并与谷歌云、微软Azure建立合作。通过MCP网关提供企业级安全隔离,解决了企业AI项目从概念验证到生产部署的断层问题。
中科院联合字节跳动开发全新AI评测基准TreeBench,揭示当前最先进模型在复杂视觉推理上的重大缺陷。即使OpenAI o3也仅获得54.87%分数。研究团队同时提出TreeVGR训练方法,通过要求AI同时给出答案和精确定位,实现真正可追溯的视觉推理,为构建更透明可信的AI系统开辟新路径。
马斯克的AI女友"Ani"引爆全球,腾讯RLVER框架突破情感理解边界:AI下半场竞争核心已转向对人性的精准把握。当技术学会共情,虚拟陪伴不再停留于脚本应答,而是通过"心与心的循环"真正理解人类孤独——这背后是强化学习算法与思考模式的化学反应,让AI从解决问题转向拥抱情感。
PyVision是上海AI实验室开发的革命性视觉推理框架,让AI系统能够根据具体问题动态创造Python工具,而非依赖预设工具集。通过多轮交互机制,PyVision在多项基准测试中实现显著性能提升,其中在符号视觉任务上提升达31.1%。该框架展现了从"工具使用者"到"工具创造者"的AI能力跃迁,为通用人工智能的发展开辟了新路径。