不再是一花一世界，而是「一話一世界」。

如果說過去幾年，生成式 AI 的突破讓我們學會了和算法對話，能讓它幫我們寫文章、畫插畫、甚至剪視頻，那么 DeepMind 在這個今天拋出的 Genie 3，又讓生成式 AI 走進了另一個維度。

8 月 5 日，DeepMind 在 官網公布了 Genie 3，一款被稱作「通用世界模型」的新模型 。

打開 Genie 3，輸入一句 prompt「在一個暴風雨中的中世紀村莊漫步」，幾秒鐘后，Genie 3 就可以生成一片可以探索、可實時交互的 3D 場景，在濕漉漉的村莊，石板路上反射著雷電的光芒，你可以控制視角，在村莊里自由漫步，你走近一間小屋推開門，能看到爐火在風中搖曳的光影變化。

更神奇的是，當你離開小屋再返回，爐火還在，墻上的涂鴉也沒變，此時你在指令框中輸入「雨過天晴，屋外有一名騎士騎馬而來。」幾秒鐘后，你就能再次推門而出，迎接騎士的光臨。

這一刻，你宛若小小世界的造物主，這就是 Genie 3 所呈現的「通用世界模型」的生成能力。而 Genie 3 的強大能力，讓谷歌在激烈的 AI 競爭中，又扳回了一分。

01

指尖創造世界

Genie 3 的前身是 2024 年底發布的 Genie 2，那時的模型雖然能生成簡單的 3D 環境，但場景只能維持 10 到 20 秒，細節粗糙且經不起考驗，視角稍一轉頭，樹木可能漂浮，角色可能憑空消失，物體位置會隨機變化。

短短七個月，Genie 3 實現了驚人飛躍。

從 360p 分辨率躍升到了 720p 分辨率、24 幀每秒的畫面輸出， Genie 3 還可以維持連續數分鐘的模擬 ，而不是十幾秒的動畫片段。

更關鍵的是，Genie 3 不是像游戲引擎那樣靠硬編碼物理，而是通過模型預測，保持場景邏輯和物理一致性。簡單來說，場景里的樹葉會自然晃動而不是亂飛，角色的陰影隨位置移動，物體在碰撞后也會給出符合物理規律的反饋。

通過詳細地指令，就可以生成宛若《死亡擱淺》一般的場景｜圖源：DeepMind

過去，不論是 Sora 這樣的文本轉視頻模型，還是早期的 Genie 系列，都難以解決「世界一致性」的難題。

而 Genie 3 則引入了新的視覺記憶機制，讓每一幀都參考前一幀的狀態，并持續維護整個環境的布局。這意味著，走過的路不會在你回頭時憑空消失，樹木、巖石、建筑會穩定地保持在原地，仿佛真的存在于一個連續的空間。

簡單說，就是模型學會了「記住」自己剛才畫過什么。于是，你不再看到那種突兀的跳變，而是看到了連續、可持續幾分鐘的世界。

Genie 3 已經能記住生成的物體｜圖片來源：Genie 3

DeepMind 在博客中直言，這類世界模型是通用智能的基石，因為真正的智能不僅需要理解世界，還要能在世界中做決策、采取行動，而這一切只能在穩定的、邏輯一致的環境里發生。

這也是為什么 DeepMind 把它稱為「世界模型」而非單純的「視頻生成器」。

生成場景符合物理規律｜圖片來源：Genie 3

傳統的生成視頻模型，比如 Sora，可以把一段文本描述轉換成 30 秒的視頻，但本質上仍然是「一段封閉的片段」。你不能改變片段中的世界，更無法與它交互。

而 Genie 3 則在交互性上跨出了一大步。它不僅能生成一個連續世界，還能在你探索的過程中動態調整場景，同時保證邏輯不崩壞。這既是 Genie 3 的 Promptable World Events，簡單理解就是「文字即指令，世界實時響應」。

比如，當你輸入「水面出現一輛摩托艇」，Genie 3 不會重新生成一個全新的畫面，而是空降一臺摩托艇滑過河道，在兩側和身后濺起逼真的水花。

這種即時可塑性，意味著用戶不僅是觀眾，還是導演。

同一場景，無限可能｜圖片來源：Genie 3

據 DeepMind 透露，Genie 3 在訓練時使用了大量游戲引擎生成的數據集，以及視頻預測任務，以此讓模型具備「因果感」和「持久性」。更通俗地說，Genie 3 學會了兩件事：世界是連續的，動作會帶來后果。

另一個細節是，Genie 3 支持視角的自由移動，并能動態重繪不同視角的內容。這聽起來容易，但在生成模型里極其困難，需要模型具備強大的 3D 推理能力。這也是為什么 DeepMind 在博客里強調，Genie 3 的目標不僅是視頻，而是「基于世界的交互式生成」。

所以 Genie 3 不是「生圖」、「生視頻」，而是生成一段可探索、可編輯的虛擬現實，這就產生了無限的應用場景。

02

顛覆創意行業

只看官方的 demo 演示，都能想象出許多 Genie 3 可應用的場景，特別是在創意行業。

從最初的文字界面，到 2D，再到如今的 3D 和 VR，電子游戲一直是人類探索虛擬空間的先鋒。在 Genie 3 的演示中，這一趨勢被推向了一個全新高度：只需一句話，就能即時生成一個可探索、可交互的 3D 場景，這對游戲開發行業意味著什么？

在傳統開發流程中，3D 場景的構建是游戲制作中最昂貴、最耗時的環節之一。尤其對于獨立開發者，這往往成為他們不得不妥協的原因，很多人退而求其次，選擇 2D 像素風、手繪、低多邊形等形式，以降低開發成本。

但 Genie 3 徹底打破了這一限制。以往需要數周甚至數月去建模、貼圖、調光，如今只要寫下幾句話，就能搭建一個動態可交互的場景。

是不是非常有「面包房模擬器」游戲畫風即視感｜圖片來源：Genie 3

大型工作室或許仍會用虛幻引擎或自研引擎構建極致畫質的 AAA 世界，但對于資源有限的開發者而言，Genie 3 恰好填補了那道「成本鴻溝」：它不取代專業引擎，卻極大降低了場景設計的門檻，一家有創意但沒技術的小團隊，可以像拼樂高一樣，用文本拼湊出一整張開放世界地圖。

影視行業同樣如此，導演和美術可以在開拍前實時預覽場景風格，調整光影、添加角色，甚至讓演員直接在虛擬空間中走位，實現「沉浸式分鏡頭」。

教育行業的想象空間更大，課本中描繪的歷史古跡、地理現象，都可能通過 Genie 3 生成一個可交互、可探索的場景。

藝術也產生了新的表達，想象一下我們能「光顧」《魔戒》中的都林之門，也能「進入」拉斐爾所繪的《雅典學院》。

或許當每個人都能有「構建虛擬空間」的能力時，扎克伯格心心念念的元宇宙也能得以實現了。

而 DeepMind 更大的野心，還在對物理 Agent 的訓練上。

03

AI 的「認知訓練場」

DeepMind 在博客中直言，世界模型的意義在于， 它能為智能體提供一個「認知訓練場」，讓 Agent 在虛擬世界中學習因果關系、空間感知和行動規劃，而不是直接在真實世界中試錯 。

舉個例子，如果你要訓練一臺倉儲機器人，過去的做法是搭建昂貴的物理場景，或依賴傳統游戲引擎模擬。但這些方法都存在局限：前者成本高，后者缺乏多樣性。

但在 Genie 3 里，你有一個可以無限生成、即時修改、邏輯連貫的世界，機器人可以在里面練習避障、搬運、協作，甚至模擬極端情況，比如訓練自動駕駛汽車應對行人突然沖出馬路的情況，這類場景在現實中極難復現，但在 Genie 3 中單靠文本就能創建。

這也是 DeepMind 所說的：Genie 3 有可能將 AI Agent 推到極限，它將迫使 Agents 從自己的經驗中學習，類似于人類在現實世界中學習的方式。

不過 Genie 3 并非萬能，它仍在技術上有明顯限制。

比如目前場景分辨率只有 720p，幀率 24fps，雖然對 AI 生成來說已經不易，但距離 4K 高幀率的游戲畫面標準還有差距；其次，Genie 3 生成的場景持久性仍然有限，盡管官方表示能達數分鐘，但放出來的演示都控制在了 1 分鐘以內。

而場景中的文字渲染仍然糟糕，你很難在它生成的路牌上看到清晰字體，物理一致性也還不夠完美，在出現大批量生物、模擬雪崩等細節測試中，仍會露出「AI 異常」的破綻。

詭異地鹿群｜圖片來源：Genie 3

開放性也是未知數。DeepMind 表示，Genie 3 目前只在研究和合作項目中使用，尚未面向公眾開放 API，更沒有像 Imagen 或 Gemini 那樣的在線體驗入口。

然而回到更大的圖景，Genie 3 不是孤立的巧思，而是 AI 技術遷移方向的一次標志性轉折。

從李飛飛所創建的 World Labs、英偉達推出的 Cosmos 世界基礎模型到現在 DeepMind 放出的 Genie 3，反映了一條清晰的 AI 空間智能技術的發展路徑：從 2D 到 3D、再到空間可探索、最終場景物理一致、時空連貫、交互有變化和因果。

ChatGPT 讓我們意識到語言可以是操作系統，Sora 讓我們看到視頻可以是創作界面，而 Genie 3 則進一步，把文字變成「可操作」的空間。

最終，無論是游戲、影視、教育、科研，構建虛擬世界將變成一種即時表達方式：

一行文字，一段描述，一話一世界。