上个月底，Google DeepMind 刚刚放出了 Genie 3：世界模型！

输入一句话，便给你生成一个 3D 世界，然后你可以在里面自由走动雪地里走两步，脚印都给你渲染出来了

这个视频里的雪山场景，提示词：

高海拔开放世界，可变形的雪地地形角色设定是：一个敏捷的登山者，可以全方向移动和跳跃

生成之后，你用键盘控制登山者在雪地里走，雪会被踩出痕迹，视角跟着你的操作实时变化用一句话生成的海洋，可以冲浪

这个冲浪的提示词更长：

无尽的海洋，巨大的雷鸣般的海浪，巨大的蓝绿色浪管在阳光下翻滚，成百上千的海鸥飞得很近，偶尔会挡住视线

角色设定：一块白色冲浪板的板头，直指海浪的浪管

海浪、海鸥、阳光…等等都进行了实时渲染，而你可以控制冲浪板在浪里穿行

要知道，Sora 生成的是一段固定的视频，你只能看Genie 3 生成的是一个世界，你可以操控，这便是「世界模型」

怎么玩到

现在只对美国用户开放，需要订阅 Google AI Ultra，$250/月

入口在 Google Labs 里，产品叫 Project Genie

https://labs.google/fx/projectgenie

在这里，访问别人创建的世界，比如旁边这个飞机

一花一世界，一叶一菩提

当然，也可以自己创建一个世界，点这个 Create your own 进去就行了短暂载入后，创建界面长这样

左边写环境提示词，右边写角色提示词

左边写环境提示词，右边写角色提示词：

环境提示词：可以描述你想要的世界，比如「木叶村的街道，有拉面店和火影岩」
环境提示词：可以描述你要扮演的角色或者控制的物体，比如「童年的漩涡鸣人」

填完点生成，等几秒钟，世界就出来了，这是一个可以游玩的世界

操作方法，就类似常规的 3D 游戏：

• W、S、A、D 控制前后左右移动
• 上下左右箭头控制视角转动
• 空格键跳跃
• 但鼠标没啥用

WSAD 操作

每次能玩 60 秒，时间到了可以重新生成，这里我放一个我的录屏，可以看看

它能生成什么样的世界

讲真的，这些东西真的太牛逼了，我这里我用一些来自官方的例子，和大家一起看看

物理世界

从沙漠到海洋到极端天气。水有动态物理效果，雪地可以踩出痕迹，纸飞机掠过水面会有波纹

生态系统

动物有自己的行为模式。狐狸在草地上跑，鹰在山谷里滑翔，植物细节也能渲染

动画和奇幻风格

不只是写实。黏土定格动画、水彩画、针织毛毡，各种风格都能生成。有个演示是一只黏土小猫在图书馆里走，另一个是毛毡蜗牛在花园里爬

不同地点

雪山、外星地表、维多利亚街道、古雅典。有个演示里还有传送门，从维多利亚街道走进去，出来就是沙漠

环境一致性

你在世界里走了一圈回来，之前看到的东西还在原位

这其实比生成一整段视频更难。Genie 3 是自回归生成，一帧一帧往后推，误差会随时间累积。现在能保持数分钟的一致性，离开视野的物体大约一分钟内回去还能看到

可提示的世界事件你在探索过程中可以用文字改变世界。天气变化、添加新物体、引入新角色，都可以。有个演示是第一人称给房子刷油漆，油漆痕迹会留在墙上

核心能力

Google 称 Genie 3 是「第一个实时交互的世界模型」（the first real-time, interactive world model）

• 实时：20-24 帧每秒，720p 分辨率。你操作的时候，画面实时生成，没有明显延迟
• 世界一致性：你在世界里走了一圈回来，之前看到的东西还在原位。官方说能保持数分钟的一致性，之前离开视野的物体，大约一分钟内回去还能看到
• 从文字直接生成：Genie 1 需要图片输入，Genie 2 需要单张图片，Genie 3 直接用文字描述就行
• 自己学会的物理规则：水流、重力、光影、物体碰撞，这些物理效果是模型从视频数据里自己学出来的，没有硬编码物理引擎

更牛逼的用途

在 Google 的说法中，除了给大家玩，这个模型还有一个更牛逼的用途：让真实智能体，在仿真世界里训练

比如说 SIMA 2，也是来自谷歌，一个能在 3D 游戏里执行任务的 AI，通过读取屏幕画面，用虚拟键盘鼠标，来完成游戏内的操作

SIMA 2 在 Genie 3 里执行任务

现在把 SIMA 2 放进 Genie 3 生成的世界里。给它设定目标，比如「走向亮绿色的垃圾压缩机」，它能在生成的仓库环境里完成导航

SIMA 2 自我改进循环

更有意思的是自我改进。不少第一代智能体失败的任务，经过几轮自我训练之后就能完成，不需要人类额外标注数据

SIMA 2 在 Genie 3 里自我改进

世界模型能给智能体提供无限多样的训练环境，不用在真实世界里试错

当前限制

对于当前版本，依然有许多限制，Google 特别给列了出来

交互时长有限每次只能玩几分钟，不能连续玩几个小时

动作空间有限角色能做的动作目前只有基本的移动和跳跃，复杂动作做不了

多智能体交互难多个独立智能体在同一个环境里互动，目前还是研究难题

真实地点不精确没法完美复刻真实世界的具体位置

文字渲染有问题除非在提示词里明确写了，否则生成的世界里文字通常不清晰

还有一条没在官方限制，但更实际的：$250/月

最后

以 Genie3 的梦境，作为收尾一花一世界，一夜一菩提

前几天，Google DeepMind 向外部开放了 Project Genie，可以算是世界模型 Genie 3 的实验性研究原型，也是这套世界模型第一次以可交互形态对公众开放。

目前，该原型率先向年满 18 岁的美国 Google AI Ultra（3个月125刀） 订阅用户开放。

01 实测 Project Genie

与视频生成模型不同，Project Genie有两个promtps填写位置，左边填写环境的 prompt，右边写主角的 prompt，还能上传参考图片。选择用第一人称还是第三人称。

在输入提示词后，短短一分钟内，Project Genie 显示世界模型视频的“第一帧”，给用户一个预览，看看是否要进行调整。

我尝试了两次同样的提示词，差别还是有的。

如果对预览结果满意，就可以直接开始创造世界。

当世界生成完成后，用户即可接管角色，在世界中进行自由探索。

目前 Project Genie 支持约 1 分钟的可交互探索时长，分辨率为 720p。虽然时间和分辨率不是很前沿，但世界模型在这个时间点，最重要的是“控制”。

Project Genie 的人物控制方式接近传统游戏逻辑，用户可以使用 WASD 控制角色前后左右移动，同时用方向键可独立控制视角进行前后左右的镜头转动，最惊喜的是人物可以跳。

相比人物位移，视角移动明显更加流畅，响应延迟很低，整体操作手感更接近实时渲染而非视频回放。同时，系统内置了基础的物理约束，例如角色行进到场地边缘时会自然停下，而不是穿模或继续滑行。

从生成质量来看，Project Genie 与传统视频生成仍存在明显差异，但在“世界还原”层面已经相当完整。prompts中提到的球场、草地、傍晚光照、电子大屏、观众挥舞旗帜都被还原。此外，人物的初始位置同样符合语境，从中圈附近出发，身着简洁的训练服，与整体世界设定保持一致。

我们再来试试用图片生成世界。

这一次我们上传的是《艾尔登法环》的游戏画面。Project Genie 基本复现了原图的环境特点，具体效果直接看生成视频即可。

Project Genie 生成的世界是可以反复进入的。在这次测试中，我们选择了与之前足球场案例不同的路径，不再是平面移动，而是尝试纵向位移。

这个世界中人物初始位置就在悬崖边缘。于是我们让人物直接跳下悬崖。

从结果来看，表现相当完美。人物起跳、下落、落点的空间关系在视觉上是合理的，而且角色顺利落到下方路径，没有出现明显的空间错位。

第二次跳崖时，角色在下落过程中甚至因为蹭到岩壁而短暂“卡”了一下，这个细节很关键，说明Project Genie是真的在计算角色与环境之间的物理碰撞，而不是简单把物体抽象成一个个立体图像，细节用视频补足。

细节层面也有加分项。起跳时，脚下会扬起灰尘，落地瞬间，人物会有轻微屈膝的缓冲动作。这些都增强了动作的可信度。当然，还是有点瑕疵，在最后一个画面中，角色实际应该落在水面上，但并没有出现水花效果，人物短暂悬浮在水面之上。

另外，更值得注意的是世界风格的稳定性。在人物进行了大幅度、连续的空间移动之后，整个世界并没有随之“变形”或风格漂移。金色树叶的色调、末日感的整体氛围、悬崖与断壁的结构关系，都被完整地保留下来，没有因为视角和位置变化而崩坏。

这一次纵向移动的测试，比单纯的平面行走更能体现，Project Genie 不只是“看起来像一个世界”，而是在尝试维持一个在运动中依然自洽的3D空间结构。

我们再来尝试一个第一视角，并且尝试给生成的世界换一个截然相反画风，观察 Project Genie 对整体风格切换的处理能力。

在初始状态下，世界细节依然保持在一个不错的水准。但真正的测试从这里开始，我们在已有世界的基础上，额外输入了一段整体改变世界风格的 prompt，试图将原本偏写实的环境，整体转化为像素画风。

结果并没有延续前几个案例中的惊艳表现。风格变化更多集中在角色层面，人物被明显像素化，队友也趋向于贴图式呈现，但作为主体的环境几乎没有发生根本变化，地形、光影和空间结构依然保持着偏写实的渲染方式。换句话说，风格切换并未真正作用于“世界”，而更像是叠加在角色之上的一层外观修改。

与此同时，风格修改还带来了一定的细节损失，比如信号烟雾弹消失，变成了灭火器，场景语义出现了明显的偏移。

Project Genie 可以在同一世界内维持结构稳定，但对已生成世界进行整体风格重写，仍然明显弱于从零生成时的表现。当然，用AI生成内容是一个反复抽卡的过程，也许多尝试几次，Project Genie 就可以给一个更加合理的世界。

02 Project Genie最大的意义是证明其可行性

如果把 Project Genie 放进更大的生成模型谱系中来看，它现在所处的位置其实非常清晰：世界模型，正在经历自己的「视频生成 1.0 时期」。

今天的视频生成模型，已经卷到了分辨率、运镜语言和叙事连贯性，很多作品看起来已经接近“可以直接作为内容使用”。但回到最早阶段，视频生成真正令人震撼的，并不是画面质量，而是那一刻人们意识到，画面，真的能连续地动起来。

Project Genie 所代表的世界模型阶段，与之高度相似。它并不是在和游戏或影视内容比“画得多好”，而是在回答一个更基础的问题：一个由模型生成的世界，能不能在被持续操作时不迅速崩溃。

因此，Project Genie 在设计上做出了非常明确的取舍。它主动牺牲了分辨率、画面精度和生成时长，把算力优先用在维持一个可被反复进入、持续探索的环境。你能不能站在悬崖边缘停下，能不能跳下去，会不会撞上岩壁，移动之后世界风格是否还能保持一致，这些问题，远比“画面像不像某款游戏”更重要。

从技术层面看，Project Genie 能成立，并不是因为某一个单点突破，而是因为它同时满足了三件此前并不容易同时做到的事情：状态可持续、空间一致、行为可约束。

Project Genie（Genie3）的技术难点在于维护一个隐式的世界状态。用户的输入不再只是触发一次新的画面补全，而是被当作对世界状态的真实干预。角色是否能前进，取决于地形是否允许，是否会坠落，取决于重力和边界，世界风格是否延续，取决于状态是否被连续继承。

这意味着模型做的已经不只是“预测下一帧”，而是在给定历史、规则和动作条件的前提下，推演世界接下来应该如何演化。

也正因为如此，Project Genie 看起来既不像一个完整的游戏，也不像一个视频工具。它更像一个尚不成熟、但已经能够自洽运转的系统原型。

所以，Project Genie 现在最重要的意义，它第一次让普通用户直观地意识到：世界模型不只是论文里的概念，它真的可以被构建、被进入、被操作，并且在一定范围内持续成立。