在OpenAI和Meta之后，科技巨头谷歌近日也加入了世界模型领域的竞争，并在其官网上公布了名为“Genie”的重大突破。Genie是一个基于互联网视频训练的基础世界模型，能够从合成图像、照片或草图中创造出具备精细动作控制的多元环境。
随着谷歌强势入局，世界模型领域的争夺战愈发激烈，然而，在这场角逐中谁能最终引领风向尚无定论。早前备受瞩目的Sora世界模型，其视频生成方式是否符合世界模型的因果预测特性引发业界争议。尽管Sora发布的视频表现出高保真度，但在模拟物理规律及交互能力上似乎存在短板。而谷歌的Genie则聚焦于提升交互性，能精准推断出生成环境中潜在的动作，尽管在视频的真实性和清晰度方面尚未达到Sora的水准，但已展现出了独特的技术路径。据谷歌介绍，过去数年间，生成式人工智能已经能够在语言、图像甚至视频层面创造，而今谷歌引入了全新的生成式交互式环境（Genie）范式，仅需一个图像提示即可生成互动且动作可控的环境。Genie作为拥有110亿参数的基础世界模型，通过学习互联网视频中的细粒度控制，不仅识别出可操控部分，还能推测出生成环境中的可能动作。该模型由三部分构成：潜在动作模型用于推断每对帧间的潜在动作；视频分词器将原始视频帧转化为离散标志(token)；动态模型在给定潜在动作和历史帧token情况下预测下一帧画面。
谷歌公布的演示视频显示，输入一张动漫人物闯关图片，Genie可以生成背景变换丰富、角色连续跳跃且动作准确踩点的视频，流畅度与合理性兼具。即使面对真实世界的图片，其中的人物和动物也能做出合理的跳跃或移动动作，尽管在像素精细度上略显不足。
相较于Sora追求的高清、真实感，Genie更侧重于潜在动作预测而非画面真实性。目前，Genie并未致力于生成超现实视频，而是专注于2D平台游戏和机器人技术领域，但其方法具有通用性，有望扩展应用于任何类型的数据集，只需一张图片就能构建全新的交互环境，为虚拟世界的探索开辟了全新途径。
当前，动作可控是AI视频技术的一大挑战。有创指出，诸如PIKA等现有工具主要实现视差动画效果，运动合理性仍有较大改进空间，对于大幅度动作和对话场景的表现力有限。Sora虽然通过多镜头策略巧妙地规避了剧情连贯性的难题，但其是否真正理解和掌握了物理世界规律仍存疑。这也意味着，AI理解并控制物理世界中的物体动作是未来发展的重要方向。
【世界模型之争：通向AGI的关键赛道】
世界模型被视为通往AGI的关键路径之一，近期相关领域的新进展频出，各家科技公司采取不同的研究路径，力争在这场竞赛中脱颖而出。
首先引发关注的是OpenAI的Sora，被描述为一个能够作为世界模拟器的视频生成模型，有望通过扩大规模构建能模拟物理世界的通用模拟器。然而，OpenAI在技术文档中并未详述Sora的技术原理，这使得Sora能否真正重塑AI视频业态，以及其是否具备世界模型属性的问题依然颇具争议。
英伟达科学家Jim Fan认为，Sora作为一个数据驱动的物理引擎，通过输入文本/图像直接输出视频像素，是一个可学习的模拟器或世界模型。然而，Meta首席人工智能科学家Yann LeCun对此持不同意见，他指出，Sora仅经过训练能生成像素，若以此来理解世界的运作机制，则注定失败。
LeCun强调，“仅仅依据提示生成看似真实的影片并不意味着系统理解了物理世界，生成过程与世界模型的因果预测有着显著差异。”他表示，合理影片的空间维度庞大，系统仅需生成一个样本即宣告成功，而真实影片的合理连续性要求更高。Sora生成的部分视频确实暴露出违反物理规律的现象，如人物行走时双腿诡异互换、冲浪者在巨浪消失后仍跃起等，这些现象揭示了Sora在准确学习物理规律上的局限性。
与此同时，Meta最新推出的V-JEPA则展示了另一种方向。不同于谷歌Genie推测生成环境中的潜在动作，V-JEPA擅长于生成视频中被遮挡部分的。两者共同之处在于对“推测”能力的重视。Meta声称，V-JEPA作为早期物理世界模型示例，擅长检测和理解对象间的复杂交互。通过利用公共数据集中200万个视频进行训练，V-JEPA作为一种非生成模型，通过预测抽象表示空间中视频的缺失或遮挡部分进行学习，采用自监督学习方法，借助未标记数据进行预训练。正如人类通过观察构建内部世界模型以预测事件后果一样，V-JEPA通过自监督训练同样能够了解世界运作的知识。
在应用层面，世界模型领域的突破正引起各行业的广泛关注。游戏从业者透露，AI绘图技术的应用已极大提升了美术制作效率，一些简单的短剧器有可能被替代。影视行业技术美术人员也表示，虽然AI技术暂时无法替代实拍或3D制作，但客户日益期望在作品中融入AI风格元素，创造视觉奇观。可见，世界模型领域的创新成果正在逐步渗透到各行各业，推动着数字创作的边界不断拓展。
