日前，谷歌DeepMind团队方面公布了全新的AI基础世界模型Genie（精灵）。据了解，Genie拥有110亿参数规模，能够基于用户输入的合成图像、照片、草图等提示，生成像电子游戏一样可以进行互动、游玩的虚拟世界。但截至目前，Genie仅为研究预览版，尚未真正发布。

据了解，Genie的数据集主要是长达20万小时的公开互联网视频，其中重点是2D游戏与机器人视频。同时谷歌方面也表示，“我们的方法是通用的，适用于任何类型领域，且可以扩展到更大的互联网数据集”。

值得一提的是，Genie是在无监督和无标注的情况下进行训练，其可以专门从互联网上的视频中学习控制细粒度，即不仅能识别出哪些图像元素是可控的，还能推断出在生成环境中的潜在动作，并确保这些动作在它创造的不同环境中保持一致，这种潜在动作甚至还可以转移到人类设计的环境中。

据悉，Genie是由三个部分组成，其中包括一个潜在动作模型（Latent Action Model、LAM）、用于推断每对帧之间的潜在动作，一个视频分词器（Tokenizer）、用于将原始视频帧转换为离散token，一个动态模型、用于在给定潜在动作和过去帧token的情况下预测视频的下一帧。

对此Genie团队的负责人Tim Rocktäschel表示，“Genie作为基础世界模型，是人类迈向AGI的旅途中非常重要的一步”。英伟达高级研究科学家、通用具身智能体（Embodied Agent）研究小组负责人Jim Fan也表示，“Sora很好，但是Genie将会是具身智能体的主干之作”，以及“与Sora不同，Genie实际上是一个由行动驱动的世界模型，具有推断行动的能力。2024年也将是基础世界模型之年”。

【以上内容转自“三易生活网”，不代表本网站观点。如需转载请取得三易生活网许可，如有侵权请联系删除。】

延伸阅读：

• 谷歌方面日前承认，Gemini相关宣传视频有剪辑
• DeepMind最新研究：如何将「大语言模型」 训练到最优？

未经允许不得转载：零时古怪 - 中国第一时事资讯综合门户 » 谷歌发布基础世界模型，能生成可交互虚拟世界