OpenAI深夜官宣：连续12天发布AI大招，「截胡」DeepMind头条，Sora、满血o1或将发布

OpenAI 再抢头条。

就在刚刚，Google Deepmind 深夜放大招，发布了最新基础世界模型 Genie 2。

想体验游戏世界？未来只需一张图片就能实现。

作为一个基础世界模型，Genie 2 能够凭借开局一张图生成各种可操作、可玩的 3D 环境。

当 Genie 2 能准确预判角色行为并实时生成连贯画面，这也意味着它已经开始真正「理解」而不是简单「模仿」世界的运作规律。

附上博客原地址：https://deepmind.google/discover/blog/genie-2-a-large-scale-foundation-world-model/?utm\_source=x&utm\_medium=social&utm\_campaign=&utm\_content=

而在凌晨时分，OpenAI 也正式官宣了为期十二天的圣诞惊喜活动。

十二月的硅谷不只是圣诞老人的主场，也是 AI 巨头们的年终对决。 不是冤家不聚头，Deepmind 头条再次被成功抢占。

Sam Altman 在 X 平台宣布：

🎄🎅 从明天太平洋时间上午 10 点开始，我们将启动为期 12 天的 OpenAI 活动。每个工作日，我们都会进行一场直播，展示一些新发布的内容或演示，有些是重磅活动，也有些是小惊喜。我们有很多精彩内容等着与大家分享，希望你喜欢！圣诞快乐！

网友也化身预言家，预测了 OpenAI 要发布的一些内容：

第 1 天：发布文本到视频 AI 工具 Sora。

第 2 天：为 ChatGPT 引入圣诞老人灵感的声音，增添节日气氛。

第 3 天：通过视觉功能增强 ChatGPT 的高级语音模式。

第 4 天：向免费用户发布 o1-preview，扩展了对高级推理模型的访问。

第 5 天：展示 1 月即将推出的 GPT 智能体。

第 6 天：发布 GPT-4o 图像。

第 7 天：推出新的开发者工具。

第 8 天：展示新的 Dalle。

第 9 天：宣布具有更大上下文窗口的 GPT-NEXT 模型。

第 10 天：发布辩论游戏，教机器辩论玩具问题。

第 11 天：推出 Microscope，这是神经网络模型可视化的集合。

第 12 天：将高级语音模式时间增加至每天 20 小时。

满血版 o1、Sora 的呼声在众多网友的猜测中此起彼伏，可以说，2024 年的 AI 竞赛正在酝酿最后的高潮。

具体细节，APPSO 也将第一时间送上。

把照片变成可玩的 3D 游戏，游戏开发者要失业了？

第一代 Genie 创造 2D 世界，而今天 Deepmind 推出的 Genie 2 则迈出了更大的一步，能够生成丰富多彩的 3D 世界。

作为世界模型，Genie 2 最厉害的地方在于它能「理解」虚拟世界的运作规律。比如当你操控角色跳跃或游泳时，它能准确预测和展示接下来会发生什么。

这得益于其在海量视频数据集上的训练，以及类似其他生成式模型所展现的多项涌现能力，包括物体互动、复杂角色动画、真实物理效果，以及对其他智能体行为的模拟与预测能力。

DeepMind 发布的演示视频生动展示了用户与 Genie 2 的互动过程。

首先，系统使用 Imagen 3 根据文字描述生成初始图片。然后，Genie 2 就能基于这张图片创造出一个完整的互动世界。最后，用户可以用键盘鼠标在这个世界里自由探索，而 Genie 2 会实时模拟生成你看到的每一帧画面。

更重要的是， Genie 2 能够在一分钟内生成世界，大多数示例的时长为 10 至 20 秒。

具体而言，Genie 2 能智能响应键盘输入，准确识别并移动目标角色。比如，它能自动理解方向键应该控制机器人的移动，而不是场景中的树木或云朵。

有趣的是，即使从同一个初始画面出发，由于玩家决策和行动的差异，最终可以产生截然不同的结果。这一特性对于训练 AI 智能体理解不同决策带来的后果极其有价值。

另外，Genie 2 还拥有强大的「记忆力」和「创造力」，它能记住你看不到的地方是什么样的，在重新看到时还能精确重现。

Genie 2 能保持长达一分钟的场景连贯性，动态生成新的合理内容。

Genie 2 支持多种视角切换，比如第一人称视角、等角视角或第三人称驾驶视频。

Genie 2 能呈现复杂的 3D 视觉场景。

Genie 2 支持多样化的对象交互，如气球爆炸、开门动作和炸药桶爆炸效果

Genie 2 支持为不同类型角色制作流畅的动画效果，支持多种活动形式

它不仅能够模拟其他智能体，还能模拟与这些智能体的复杂交互。

不仅如此，Genie 2 还能模拟水效果、烟雾效果、重力、照明、反射等多种物理现象，并能使用真实世界图片生成动态模拟效果。

基于现实图片模拟生成

画张草图就能玩？但也有翻车的时候

Genie 2 能快速地将想法变成可以玩的 3D 场景。

也就是说，通过 Genie 2，研究人员可以设计和实现多种不同的交互式体验，这些体验可以模拟各种复杂的物理现象和行为，从而来测试和验证他们的理论或模型。

于是研究团队试着让 Genie 2 对不同的飞行物体（纸飞机、龙、鹰、降落伞）进行建模，以测试 Genie 2 在动画制作方面的能力，同时也就包括模拟这些物体的飞行动态和物理行为。

对艺术家和设计师等创作者来说，这是一个极其强大的神器。想象一下，设计师画个简单的草稿，Genie 2 就能变成可以实际体验的 3D 环境，省去了大量复杂的制作过程。

并且，通过使用 Genie 2 快速创建丰富多样的环境供 AI 智能体进行任务训练，Deepmind 研究人员还可以生成一些智能体在训练时未曾接触过的评估任务。

说人话就是，Genie 2 充当了 AI 的「训练场」，能快速创造出各种各样的「考试场景」，来训练和测试他们与游戏开发者合作开发的 SIMA AI 智能体。

具体来说，SIMA 智能体主要是通过自然语言指令完成多种 3D 游戏世界中的任务。

举个具体的例子，研究团队先用一段简单的提示词生成了一张图片，然后使用 Genie 2 创建了一个包含两扇门（蓝色和红色）的 3D 环境，并给 SIMA 智能体提供了打开每扇门的指令。

Prompt：一张第三人称视角的开放世界探索游戏截图。玩家是一个探险者，正在探索一片森林。左侧有一座红色门的房子，右侧有一座蓝色门的房子。相机位于玩家正后方。

就像我们用键盘鼠标控制游戏角色一样，SIMA 能理解这些指令并完成任务。而 Genie 2 则负责把整个场景生动地构建出来。

反过来，研究团队还可以利用 SIMA 来帮助测试 Genie 2 的能力。比如，团队通过指示 SIMA 环顾四周并探索房子后方，借此测试 Genie 2 创建的世界是否前后一致，比如房子后面是不是真的有完整的建筑。

不过呢，Deepmind 也承认，目前这项研究仍处于初期阶段，且在智能体和环境生成能力上有着很大的改进空间。

比如说，官方也放出一些翻车的「花絮」，譬如明明是个安静的花园，突然冒出个鬼魂。

滑雪的时候，角色莫名其妙地把滑雪板一扔，开始跑酷。

手里拿着的「能量球」毫无征兆地「砰」地就炸了

尽管如此，但在 Deepmind 研究团队看来，Genie 2 将是解决训练具身智能体的结构性问题的关键，并且它能够实现向通用人工智能（AGI）发展的广度和泛化性，将是迈向 AGI 的重要一步。

说到具体的技术原理，Genie 2 本质上是一种自回归的潜在扩散模型，经过大规模视频数据集的训练。

视频经过自编码器处理后，提取的潜在帧被传递到一个大型 Transformer 模型，后者使用类似大语言模型的因果掩码进行训练。

在推理时，Genie 2 可以以自回归方式进行采样，逐帧处理，基于过去的潜在帧和当前的动作生成新的帧。

研究团队使用无分类器引导方法来提高动作的可控性。

看着有些复杂，简单来说，它看过海量的视频资料，学会了预测画面怎么变化。当你在这个虚拟世界里行动时，它就能一帧一帧地生成新画面，从而让整个过程看起来特别流畅自然。

官方目前展示的这些案例都是通过未蒸馏的基础模型生成的，目的是展示潜力。虽然研究团队也有一个能实时运行的精简版本，但输出的画面效果会差一些。

但不管怎么说，从平面到立体，Genie 2 完成了 AI 创造力的维度跃迁。

也许再过不久，「拍照」这个行为的含义将被重新定义。每张照片都可能成为一个入口，通向一个完整的虚拟世界。

文章来自微信公众号“APPSO”，作者“ 发现明日产品的”