在OpenAI研發(fā)出Sora后不久，谷歌Deep Mind團隊公開了在世界模型領(lǐng)域的新進展——基礎(chǔ)世界模型Genie。該模型主要借鑒非對抗方式進行訓(xùn)練，可根據(jù)各類圖像乃至草圖生成具有豐富動作表現(xiàn)的2D世界，從而實現(xiàn)人們與虛構(gòu)世界的深度互動。只需輸入一張圖像，Genie便可構(gòu)建一個全新的交互環(huán)境。

DeepMind指出，Genie有能力根據(jù)最新的文生圖大模型生成初始幀，再借助Genie的能力賦予這些圖像更深層次的含義。Genie作為一個包含110億參數(shù)的基礎(chǔ)世界模型，成功研發(fā)得益于谷歌聲名在外的潛在動作模型，用于推斷視頻幀間的運動，視頻分詞器則可以將原始視頻幀轉(zhuǎn)化為離散標(biāo)記，而動態(tài)模型則負責(zé)預(yù)測下一幀的活動情況。

值得注意的是，相較于號稱“高清晰度、高真實感”的Sora， Genie似乎更注重潛在行為的預(yù)測，而不是極力展現(xiàn)畫面的真實性。現(xiàn)階段，從圖像或文本中生成高質(zhì)量視頻尚未成為Genie關(guān)注的核心業(yè)務(wù)點。DeepMind進一步透露，Genie主要圍繞“2D平臺類游戲及大約率算法”展開應(yīng)用，這種處理方法具有廣泛適應(yīng)性，可應(yīng)用于各領(lǐng)域，也可以擴展至更大規(guī)模的互聯(lián)網(wǎng)數(shù)據(jù)集。

然而，這個還在試驗階段的Genie尚不能視為商業(yè)產(chǎn)品問世。據(jù)DeepMind人士解釋，Genie的訓(xùn)練視頻為160x90像素且每秒僅10幀的超低分辨率視頻，生成的模擬游戲以每秒1幀的速率運行。因此，實際場景更為復(fù)雜且要求更高實時性的商業(yè)應(yīng)用仍需耐心等待解決方案。