《科創(chuàng)板日?qǐng)?bào)》12月5日訊（編輯 宋子喬） 前有“AI教母”李飛飛，后有谷歌DeepMind，大模型的熱度還在，大世界模型又成為焦點(diǎn)。
繼李飛飛旗下企業(yè)World Labs展示一圖生成3D世界后，當(dāng)?shù)貢r(shí)間12月4日，谷歌DeepMind發(fā)布了大型基礎(chǔ)世界模型Genie 2，可通過單張圖片或文字描述生成3D場(chǎng)景。
相關(guān)論文
時(shí)間僅相隔一天，兩個(gè)AI工具的功能非常相似，核心在于：
1、一張圖生成可交互3D場(chǎng)景：據(jù)谷歌介紹，用戶只需提供一張圖片（由Imagen 3生成）和文字描述，Genie 2就能生成一個(gè)可交互的3D場(chǎng)景，并以720p的清晰度呈現(xiàn)。通過鼠標(biāo)和鍵盤控制，用戶可以在其中自由探索長(zhǎng)達(dá)1分鐘，大多數(shù)能穩(wěn)定運(yùn)行10到20秒。
2、空間記憶能力：Genie 2生成的內(nèi)容能讓當(dāng)用戶在虛擬環(huán)境中移動(dòng)時(shí)，即使某些區(qū)域暫時(shí)不在視野范圍內(nèi)，系統(tǒng)也能保持這些區(qū)域的一致性。World Labs同樣可以做到這一點(diǎn)，即使你把視線移開然后又回來，已生成的3D場(chǎng)景也不會(huì)改變。
3、擴(kuò)圖能力：Genie 2能在過程中實(shí)時(shí)創(chuàng)造出符合邏輯的新場(chǎng)景內(nèi)容，并且可以在長(zhǎng)達(dá)一分鐘的時(shí)間內(nèi)保持整個(gè)世界的一致性。這指該AI工具的可預(yù)測(cè)3D場(chǎng)景能力，World Labs也能讓AI工具僅憑部分圖片就能“擴(kuò)圖”，想象出整個(gè)3D場(chǎng)景。
不過，似乎李飛飛的模型才做到了真正理解物理世界。據(jù)機(jī)器之心報(bào)道，普林斯頓AI創(chuàng)新中心創(chuàng)始人、主任，終身教授王夢(mèng)迪表示：“李飛飛的World Labs和谷歌的Genie2看上去都是從一張圖片生成可以交互的三維場(chǎng)景，但有本質(zhì)區(qū)別。Genie2還是video diffusion（視頻擴(kuò)散），每一幀的生成都是pixel prediction（像素預(yù)測(cè)），并通過額外的用戶輸入的guidance（引導(dǎo)）來影響下一幀的概率分布。而飛飛的World Labs是更進(jìn)一步挖掘世界的物理本質(zhì)：從圖片出發(fā)，估計(jì)圖片中不同景物的深度和相對(duì)關(guān)系，生成了更加物理世界的3D環(huán)境建模，不僅僅是可互動(dòng)視頻”。
另外，一個(gè)細(xì)微區(qū)別是，World Labs將應(yīng)用領(lǐng)域側(cè)重于影視制作，而谷歌側(cè)重于游戲制作。Genie 2發(fā)布后，DeepMind CEO Demis Hassabis直接邀請(qǐng)馬斯克一起制作AI游戲，馬斯克回復(fù)：Cool。馬斯克此前聲稱，xAI將開辦一家AI游戲工作室。
重視游戲場(chǎng)景并不意外，DeepMind也承認(rèn)了這點(diǎn)：“從我們?cè)缙谂cAtari游戲的合作，到AlphaGo和AlphaStar等突破性成果，再到我們與游戲開發(fā)者合作研究通用智能體，游戲一直是我們研究的重心�！�
作為Youtube的母公司，谷歌還擁有Youtube里上億小時(shí)的游戲視頻數(shù)據(jù)。
值得注意的是，Genie 2為代表的大世界模型能快速創(chuàng)建無限多樣的、可操控的3D環(huán)境，這些3D環(huán)境可用于訓(xùn)練和評(píng)估具身智能體。這意味著其能為具身智能研究提供豐富的虛擬訓(xùn)練數(shù)據(jù)。
谷歌研究人員Jack Parker-Holder給出了兩個(gè)實(shí)例，其中，一張圖上有一個(gè)紅門和一個(gè)藍(lán)門，向模型輸入不同的語言指令，可以生成不同的3D場(chǎng)景，走向紅門或藍(lán)門。
在更復(fù)雜的三門場(chǎng)景中，Genie 2依然很好地理解了指令并生成了研究人員想要的3D動(dòng)圖。
上述研究人員表示，相信Genie 2可以解鎖具身智能體的下一波能力。
（科創(chuàng)板日?qǐng)?bào) 宋子喬）
