Google DeepMind 发布 Genie：一张图就能生成可玩的游戏

给 AI 一张简笔画，它转头就还你一个能跑能跳的《超级马里奥》。

这听起来像是在开玩笑，但 Google DeepMind 和不列颠哥伦比亚大学联手把这事做成了。他们在周一公布了一个名为 Genie 的全新生成式基础世界模型。这个名字是「生成式交互环境」的缩写，它的能力简单粗暴：只要一张图片或一段文字提示，就能立刻生成一个完全可以实时操作、跑跳交互的 2D 横版卷轴游戏世界。

没学过按键，自己看视频学会了做游戏

以往要让 AI 学会玩游戏或做游戏，人类通常得把每一帧画面对应的按键动作标得清清楚楚。但 Genie 的做法非常激进，它根本不需要任何动作标签。

DeepMind 的研究人员找来了超过 20 万小时公开的网络游戏通关和速通视频。他们甚至专门过滤掉了电影和开箱视频，用手动抽查确保数据源集中在 2D 平台跳跃游戏上。整个模型参数量达到了 110 亿。

用 DeepMind 开发者 Tim Rocktäschel 在社交平台上的话来说，他们不搞花哨的人工归纳偏置，直接堆规模。Genie 靠着纯粹的无监督学习，自己摸索出了一套潜在动作模型。

这个系统一共分三步：先把原始视频帧切成离散的标记，再通过画面前后的微小变化去推断潜在动作，最后由动力学模型决定下一帧画面长什么样。换句话说，AI 只是盯着屏幕看了 20 万小时，就自己理解了往右推是前进、按下某个操作角色会跳跃。

更让人兴奋的是输入端的低门槛。Tim Rocktäschel 展示了用儿童画作甚至真实草图作为输入的例子，Genie 能直接把画纸上的涂鸦转变成充满交互逻辑的关卡。

而且这项技术不仅局限于 2D 游戏。团队还将 Genie 训练在没有动作标注的 RT-1 机器人数据集上，结果证明它同样能生成一个可以用动作控制的模拟器，以此来训练其他具身智能体。

为什么重要

我们认为，Genie 带来的震撼丝毫不亚于此前的文生视频模型，因为它把生成式 AI 从「只能看」推进到了「可以玩」的阶段。

对普通人和独立开发者来说，这意味着创作的门槛被彻底打碎了。你随手画一张草图，甚至拍一张窗外的风景照，AI 就能在几秒钟内为你搭出一个可交互的原型。虽然目前它主要停留在 2D 横版关卡，帧率和操作精度可能还比不上成熟游戏引擎，但做概念验证的效率已经有了质的飞跃。

更深远的影响在于 AI 自身的进化逻辑。以往训练机器人或虚拟智能体，最大的瓶颈就是真实世界数据太少，或者物理仿真环境造价太高。DeepMind 聪明的做法在于，它直接把互联网上浩瀚的无标注视频当成了教材，让 AI 自己去虚拟出一个无限的训练场。未来 AI 可以在 Genie 生成的无穷无尽的新世界里打怪升级。

不过隐患也显而易见。完全基于视觉推断的物理规律容易出现逻辑穿模或动作不连贯，并且要从 2D 跨越到复杂的 3D 开放世界，所需的算力和数据清洗工作量也会呈指数级上升。但无论如何，一个让画作真正活过来的交互时代，看起来已经离我们不远了。