Google發(fā)布“世界模型” Genie！可根據圖像生成視頻游戲

電子游戲最吸引人的地方在于它提供了一種逃避現(xiàn)實的方式，或是帶領我們進入一個與現(xiàn)實迥異的幻想世界。現(xiàn)在，請想象一下，如果你能夠創(chuàng)造出自己的世界會是怎樣一番景象。

好消息是，谷歌DeepMind的研究人員已經開發(fā)出一項技術，讓你能夠創(chuàng)造出自己的虛構世界，這些世界與我們在高能量游戲中見到的奇異景觀頗為相似。

谷歌DeepMind最近推出了Genie，這是一個全新的模型，能夠僅憑一段文本或一張圖片的提示，就生成互動視頻游戲。而且，這一切都無需任何關于游戲機制（即構成游戲的規(guī)則、元素和過程）的事先訓練。

Genie是什么？

根據谷歌DeepMind的官方博客文章，Genie是一個基于互聯(lián)網視頻資源訓練的基礎世界模型。該模型能夠“從合成圖像、照片乃至草圖中，生成無盡變化的可玩（動作可控）世界”。

研究論文《Genie：生成式互動環(huán)境》指出，Genie是第一個以非監(jiān)督方式從未標記的互聯(lián)網視頻中訓練出來的生成式互動環(huán)境。就規(guī)模而言，Genie擁有11B個參數(shù)，包括一個時空視頻標記器、一個自回歸動力學模型，以及一個簡單且可擴展的潛在動作模型。

這些技術規(guī)格使得Genie能夠即使在缺乏訓練、標簽或任何其他特定領域要求的情況下，也能在生成的環(huán)境中逐幀進行動作。

Genie能做什么？

根據研究論文，Genie是一種新型的生成式AI，它使任何人——甚至是兒童——都能夠想象并進入類似于人類設計的模擬環(huán)境的生成世界。盡管Genie僅接受視頻數(shù)據的訓練，但它能夠生成多樣化的互動和可控環(huán)境。

簡而言之，我們已經看到了許多生成式AI模型，它們能夠產生創(chuàng)意內容，包括語言、圖像乃至視頻。Genie的突破在于，它能夠從單一圖像提示中制作出可玩的環(huán)境。

試著回想《哈利·波特與魔法石》中的一幕，哈利和他的朋友們進入霍格沃茨城堡，前往格蘭芬多公共休息室的途中。年輕的學生們看到一面充滿畫像的墻壁，每個角色都在畫框中細膩地移動著。Genie實際上就是將靜態(tài)圖像賦予生命，為它們創(chuàng)造出自己的世界。

據谷歌DeepMind介紹，Genie可以使用它從未見過的圖像作為提示，這包括現(xiàn)實世界的照片、草圖，讓人們與他們想象中的虛擬世界互動。這就是所謂的基礎世界模型。

在訓練方面，研究論文強調他們更多地關注2D平臺游戲和機器人學的視頻。Genie采用一種通用方法進行訓練，使其能夠在任何類型的領域中工作，并且能夠擴展到更大的互聯(lián)網數(shù)據集。

為什么它很重要？

Genie的突出之處在于它能夠僅從互聯(lián)網視頻中學習并再現(xiàn)游戲角色的控制方式。這一點值得關注，因為互聯(lián)網視頻并沒有關于視頻中執(zhí)行的動作的標簽，甚至沒有哪部分圖像應該被控制的信息。

“Genie不僅學會了哪些觀察部分通常是可控的，還推斷出了在生成的環(huán)境中一致的多樣潛在動作。注意，相同的潛在動作在不同的提示圖像中產生了相似的行為，”Google發(fā)布的博客中這樣說。

谷歌DeepMind表示，這個模型最獨特的地方在于，它允許你從單一圖像中創(chuàng)造出一個全新的互動環(huán)境。這開辟了許多可能性，特別是創(chuàng)造和進入虛擬世界的新方式。

為了證明這一點，研究人員使用文本到圖像模型Imagen 2創(chuàng)建了一個圖像，然后使用它作為提示來創(chuàng)建虛擬世界。同樣的操作也可以用于草圖。

有了Genie，任何人都將能夠創(chuàng)造出自己完全想象出的虛擬世界。此外，該模型學習和開發(fā)新世界模型的能力，標志著朝著通用AI代理（一個通過感知其周圍環(huán)境與環(huán)境互動的獨立程序或實體）的重大跨越。