DeepMind · 世界模型
DeepMind 发布 Genie 2 大规模基础世界模型
DeepMind 推出 Genie 2，一个大规模基础世界模型，能从单张图片或文本描述生成可交互的 3D 虚拟环境。该模型在数十亿视频帧上训练，支持实时物理模拟、物体交互与场景编辑，为游戏开发、机器人训练和虚拟世界构建提供了新的基础设施。Genie 2 在生成一致性与多样性上较前代有显著提升，标志着世界模型从研究原型向实用工具迈出关键一步。
- 域名
deepmind.google- 评分
- 5 · 重大发布
- 发布
- 2026-03-18
导读
Google DeepMind 发布 Genie 2，一款基础世界模型，可基于单张图像 prompt 生成可由键盘与鼠标控制的 3D 交互环境。它面向具身 agent 研究的核心瓶颈：训练环境的多样性与丰富度不足。Genie 1 此前已能生成 2D 世界，Genie 2 在通用性上跨出一大步，可生成第一人称、等距视角、第三人称驾驶等多种视角的 3D 场景。每帧由 Imagen 3 生成初始图像，用户或 AI agent 通过键鼠输入触发动作，模型预测下一帧观测，可维持环境一致性达一分钟，多数演示为 10 至 20 秒。
Genie 2 在大规模视频数据上训练，涌现出多项能力。模型能正确识别画面中应被操控的角色，让键盘箭头驱动机器人而非树木或云层；它支持从同一初始帧生成不同动作的轨迹，为 agent 提供反事实训练样本；具备长时程记忆，可在物体重新进入视野时正确重建；可建模水流、烟雾、重力、点光源与定向光源、反射与 bloom 效果，以及气球破裂、开门、桶装炸药射击等物体交互。架构层面采用自回归潜在扩散模型，视频经自编码器后送入大型 transformer 动力学模型，按因果掩码自回归采样，配 classifier-free guidance 提升动作可控性。
研究意义沿两条路径展开。DeepMind 用 Genie 2 生成训练时未见过的环境，测试通用 agent SIMA 在新场景中执行自然语言指令的能力，例如开蓝门、开红门、绕屋探索，从而把环境生成与 agent 评估打通。同样的能力也让概念艺术草图可直接转为可交互环境，加速研究环境的原型化。Genie 2 仍处于早期阶段，但 DeepMind 把它定位为安全训练具身 agent、向 AGI 前进的结构性铺垫。