《科创板日报》12 月 5 日讯（编辑 宋子乔） 前有 "AI 教母 " 李飞飞，后有谷歌 DeepMind，大模型的热度还在，大世界模型又成为焦点。

继李飞飞旗下企业 World Labs 展示一图生成 3D 世界后，当地时间 12 月 4 日，谷歌 DeepMind 发布了大型基础世界模型 Genie 2，可通过单张图片或文字描述生成 3D 场景。

相关论文

时间仅相隔一天，两个 AI 工具的功能非常相似，核心在于：

1、一张图生成可交互 3D 场景：据谷歌介绍，用户只需提供一张图片（由 Imagen 3 生成）和文字描述，Genie 2 就能生成一个可交互的 3D 场景，并以 720p 的清晰度呈现。通过鼠标和键盘控制，用户可以在其中自由探索长达 1 分钟，大多数能稳定运行 10 到 20 秒。

2、空间记忆能力：Genie 2 生成的内容能让当用户在虚拟环境中移动时，即使某些区域暂时不在视野范围内，系统也能保持这些区域的一致性。World Labs 同样可以做到这一点，即使你把视线移开然后又回来，已生成的 3D 场景也不会改变。

3、扩图能力：Genie 2 能在过程中实时创造出符合逻辑的新场景内容，并且可以在长达一分钟的时间内保持整个世界的一致性。这指该 AI 工具的可预测 3D 场景能力，World Labs 也能让 AI 工具仅凭部分图片就能 " 扩图 "，想象出整个 3D 场景。

下面是谷歌给出的 demo 范例：

2D 图生 3D 场景（可多个视角）

可交互（包括与生成的 NPC 交互）

空间记忆能力

不过，似乎李飞飞的模型才做到了真正理解物理世界。据机器之心报道，普林斯顿 AI 创新中心创始人、主任，终身教授王梦迪表示："李飞飞的 World Labs 和谷歌的 Genie2 看上去都是从一张图片生成可以交互的三维场景，但有本质区别。Genie2 还是 video diffusion（视频扩散），每一帧的生成都是 pixel prediction（像素预测），并通过额外的用户输入的 guidance（引导）来影响下一帧的概率分布。而飞飞的 World Labs 是更进一步挖掘世界的物理本质：从图片出发，估计图片中不同景物的深度和相对关系，生成了更加物理世界的 3D 环境建模，不仅仅是可互动视频 "。

另外，一个细微区别是，World Labs 将应用领域侧重于影视制作，而谷歌侧重于游戏制作。Genie 2 发布后，DeepMind CEO Demis Hassabis 直接邀请马斯克一起制作 AI 游戏，马斯克回复：Cool。马斯克此前声称，xAI 将开办一家 AI 游戏工作室。

重视游戏场景并不意外，DeepMind 也承认了这点：" 从我们早期与 Atari 游戏的合作，到 AlphaGo 和 AlphaStar 等突破性成果，再到我们与游戏开发者合作研究通用智能体，游戏一直是我们研究的重心。"

作为 Youtube 的母公司，谷歌还拥有 Youtube 里上亿小时的游戏视频数据。

值得注意的是，Genie 2 为代表的大世界模型能快速创建无限多样的、可操控的 3D 环境，这些 3D 环境可用于训练和评估具身智能体。这意味着其能为具身智能研究提供丰富的虚拟训练数据。

谷歌研究人员 Jack Parker-Holder 给出了两个实例，其中，一张图上有一个红门和一个蓝门，向模型输入不同的语言指令，可以生成不同的 3D 场景，走向红门或蓝门。

在更复杂的三门场景中，Genie 2 依然很好地理解了指令并生成了研究人员想要的 3D 动图。

上述研究人员表示，相信 Genie 2 可以解锁具身智能体的下一波能力。