【引子】：
DeepMind近期展示了一项创新性研究项目——Genie（生成式交互环境），这是一个基于互联网视频训练的基础世界模型，通过图像、照片甚至草图就能创造出动作可控且互动性强的2D虚拟世界。尽管目前生成的游戏画质尚处于低分辨率阶段，距离实时可玩性还有一段距离，但Genie无疑预示着一个崭新的时代，即通过图像或文本就能生成完整且高度交互式的虚拟世界，从而为未来通才AI智能体的训练提供强大催化动力。
：
Genie这一革命性的生成式人工智能新范式，以其110亿参数量，在对包含20多万小时人类玩2D平台类游戏的视频进行无监督学习后，成功实现仅凭一张图片就构建出一个生动活泼的全新互动环境。其背后依托于谷歌研究人员研发的潜在动作模型，该模型能够推断视频帧之间的动作；以及视频分词器，将原始视频帧转化为离散标记，并结合动态模型精准推测下一帧。尤为值得一提的是，Genie能够在缺乏明确动作标签的情况下，完全依靠互联网视频中的信息来掌握精细控制技术，这在业界堪称一项重大突破。
在实际应用上，Genie的独特魅力在于其多样性和一致性兼具的潜动作空间，不仅赋予了角色一致连贯的动作表现，而且具有极高的可解释性。此外，Genie模型所具备的通用性意味着它不局限于2D场景的应用，随着进一步的研发和优化，有望扩展至更大的互联网数据集，并应用于各类领域。
DeepMind团队以2D平台类游戏与机器人视频作为初步研究对象，但强调其方法具有普适性。蒂姆·罗克塔谢尔博士指出，Genie已经学会了一系列潜在动作，能有效操控虚拟角色，并展现出令人瞩目的学习成果。然而，当前的Genie仍处在研究阶段，其处理的训练视频仅为160 x 90像素的超低分辨率，每秒仅有10帧，生成的游戏画面同样为低分辨率，帧率限制在每秒1帧。这意味着我们距离看到实时流畅的可玩性Genie作品还需一段时日。总结来说，尽管Genie目前的技术表现受限于硬件性能及数据处理能力，但它已然开创了一个全新的研究方向，引领着我们步入从单一视觉提示生成复杂交互式世界的全新时代。而随着技术的持续进步，Genie势必将有力推动通才AI智能体的进化，并在未来的数字娱乐、教育、科研等领域释放无限潜能。
