谷歌DeepMind近日发布了全新的AI技术——生成式交互环境Genie，该技术能够通过单张图像提示构建出一个可玩的虚拟世界，并实现“自主可控”。这个仅诞生两周的世界模型已经展现出惊人的能力，无论从合成图像、照片还是手绘草图中提取信息，都能生成无限可能的游戏场景。
    Genie由三个核心组件构成：潜在动作模型负责推断每对帧之间的动作；视频tokenizer将原始视频帧转化为离散token；动态模型在给定潜在动作和过去帧token的情况下预测视频下一帧。这项技术突破了传统游戏、设计、XR及机器人行业的局限，开创了一种全新的人工智能范式。
    首先，Genie的独特之处在于无需动作标签即可学习控制。它利用大量互联网公开视频数据集进行训练，即使没有明确的动作标注也能理解并推断出图像中的可操控部分。
    其次，Genie为新一代“创”提供了无限潜力。用户只需提供一张图像作为起点，结合最先进的文本生成图像模型如Imagen2，就能与自己想象中的虚拟世界互动，创造出前所未有的动态环境。
    此外，Genie也被视为构建通用智能体的关键基石。实验表明，Genie学到的潜在动作可以转移到真实人类设计的环境中，为未来AI智能体在各种新生成环境下的无尽训练课程奠定了基础。
    论文《Genie: Generative Interactive Environments》已公布，详细介绍了Genie的架构和技术细节。其中涉及的研究成果包括模型大小和批处理的影响、潜在动作转移性以及在多个领域应用的可能性验证等。共同一作石宇歌（Yuge (Jimmy) Shi）是谷歌DeepMind的研究科学家，拥有牛津大学机器学习博士学位。
    总之，Genie这一革命性的AI技术不仅打破了传统游戏开发的壁垒，更为跨领域的设计、虚拟现实、机器人学带来了颠覆性的创新。随着其进一步发展，Genie有望开启一个全新的智能化创造时代，为未来的数字娱乐和智能系统赋予更加丰富多元的生命力。