Google DeepMind 发布 Genie 3：一段文字，就能走进 AI 实时生成的世界

Google DeepMind于2025年8月5日发布最新研究成果Genie 3，一款「通用世界模型」（world model）。与以往只能生成静态图片或固定时长短视频的生成式AI不同，Genie 3的特点是：用户只需输入一段文字提示，系统就能实时生成一个可以「走进去」的动态互动环境——画面会随着用户的移动和操作实时演算，就像在玩一款由AI实时生成的电子游戏。

根据官方博客公布的规格，Genie 3生成的环境画面刷新率达到每秒24帧、分辨率为720p，并且能在用户持续探索的情况下，维持长达数分钟的环境一致性——用户往前走再回头，此前经过的场景、物件摆放的位置仍然一致，不是每一帧都重新随机生成。发布当时，这项功能优先开放给付费订阅的Google AI Ultra用户测试，尚未对普通大众开放。

技术意义：从「生成画面」到「生成一个世界」

过去一年多，生成式AI视频工具（如Sora、Veo等）解决的是「把文字变成一段视频」，本质上仍是线性、预先算好的内容，用户只能被动观看。Genie 3要解决的是完全不同层次的问题：实时互动性与空间一致性。这意味着模型内部必须建立某种对「这个世界长什么样」的持续性表征（representation），而不只是逐帧预测画面。这也是为什么Google DeepMind将其定位为「世界模型」而非「视频生成模型」——它更接近游戏引擎的角色，只是内容不是人工建模，而是AI实时生成。

与前代及业界的比较

Google DeepMind此前已有Genie 1、Genie 2等世界模型研究成果，但可互动的时长、画面稳定度都远不及此次发布的Genie 3。「数分钟一致性」相较于以往世界模型普遍只能维持数秒到数十秒的稳定画面，已是明显的代际进步。业界普遍将世界模型视为通往更强大AI代理（agent）与具身智能（embodied AI）训练环境的关键基础设施——AI若要学会在真实世界中行动，先在低成本、可控的AI生成模拟环境中大量练习，会比直接在真实世界试错更安全、更经济。

对管理者而言，Genie 3目前仍是研究性质的技术展示，尚未成为可直接导入业务的工具，但值得留意的是：模拟训练场景与虚拟空间体验的制作成本，未来可能大幅下降。凡是依赖实境模拟做员工培训（如产线安全演练、酒店与旅游现场应对），或需要低成本打造虚拟展示空间（如电商展间、房地产预售案赏屋）的行业，都值得持续关注这类世界模型技术何时开放商用。