Google 上线 Project Genie：凭文字或图片实时生成可探索的虚拟世界

以前我们聊生成式 AI，要么是让它吐出一篇文章，要么是生成一张图片或十几秒的视频。但如果 AI 生成的不是一段播完就完事的静态画面，而是一个你能按下方向键走进去、随时互动的世界呢？

Google DeepMind 正式推出了实验性原型产品 Project Genie。这个网页端工具开始向美国的 Google AI Ultra 订阅用户开放，只要年满 18 岁就能申请体验。

走一步算一步的「动态物理世界」

去年 8 月，Google 首次预告了通用世界模型 Genie 3。这次的 Project Genie 则是把这个模型打包成了一个可以让普通人上手的实验网页，底层同时接入了 Genie 3、Nano Banana Pro 和 Gemini。

它和以往那些预先渲染好的 3D 模型完全不同。在 Project Genie 里，世界并不是提前造好等你走进去，而是你每走一步、每做一个动作，Genie 3 都在实时预测并生成前方的路径与物理反馈。

整个体验主要分成三块：构建世界、探索世界，以及二创重混。

在构建阶段，你可以用一段文字提示，或者直接上传生成的图片作为起点。你可以定义自己的角色，甚至决定探索这个世界的方式，不管是步行、骑行，还是开车和飞行。

有意思的是，Google 把 Nano Banana Pro 整合了进来，专门用来做草图控制。在你真正跳进世界之前，可以先预览画面、微调细节，并且敲定是用第一人称还是第三人称视角看世界。

能飞能跑，但一次只能撑 60 秒

进入世界后，你可以一边移动一边调整镜头角度，系统会根据你的操作实时推演周围环境。如果你看到别人做出来的有趣世界，也可以直接在现成提示词上做修改二创，或者在官方画廊里随机挑一个进去逛逛，最后还能把探索过程录制成视频下载下来。

不过，Google DeepMind 这次也坦白交代了不少限制。作为一个早期的研究原型，它离真正的游戏引擎还有相当大的距离。

首先是时长限制，目前每次生成的世界探索最多只能撑 60 秒。时间一到，探索就得告一段落。

其次，生成的画面并不总能完全还原真实物理规则，画质和提示词之间也经常会有偏差。在操作角色时，有时候会出现延迟，或者角色不太听使唤的情况。

另外，Google 在 8 月展示 Genie 3 时提到过的一项关键能力，也就是在探索过程中靠文字即时触发突发事件并改变世界，在目前的网页原型里还没放出来。

为什么重要

从生成内容到生成环境，Google 这一步迈得相当坚决。以前不管是视频生成还是 3D 资产建模，输出的都是静态素材，创作者想要做成可玩的 Demo，必须倒腾进虚幻或 Unity 引擎。Project Genie 证明了用纯神经模型实时生成互动环境是完全可行的，哪怕现在只有 60 秒，它也把游戏概念验证的门槛拉到了只要打几行字的程度。

在行业层面，这不仅是给游戏开发者看的新玩具，更是 DeepMind 走向通用人工智能的核心路径。以前的 AI 智能体只能在围棋棋盘或固定规则的模拟器里训练，而世界模型要学的是真实世界的物理动态。把这个模型放出来给真实用户折腾，Google 能收集到大量关于物理交互推演的边界案例，直接反哺具身智能和机器人训练。

我们认为，Google 选择把 Nano Banana Pro 拼进工作流是个非常聪明的做法。纯靠提示词生成 3D 世界很容易变成开盲盒，加入预览和角度控制，至少让创作者进场景前有了心理预期。但 60 秒的时长上限和肉眼可见的控制延迟，也说明这类实时推演模型的算力开销依然高得吓人。对普通用户来说，它现在更像是一个昂贵的科技玩具，暂时还不值得为了它专门去买单一个 Ultra 会员，但世界模型的发展速度，绝对值得所有关注交互媒体的人盯紧。