世界模型正从概念走向可交互的现实。Google DeepMind 最新开放的 Project Genie 原型，通过双 prompt 输入与实时物理交互，首次让用户真正“进入”AI生成的世界。本文从足球场、悬崖跳跃到风格切换的实测出发，深入解析这一技术如何在状态可持续、空间一致与行为可约束三大维度突破现有生成模型的边界。
前几天，Google DeepMind 向外部开放了 Project Genie，可以算是世界模型 Genie 3 的实验性研究原型，也是这套世界模型第一次以可交互形态对公众开放。
目前，该原型率先向年满 18 岁的美国 Google AI Ultra（3个月125刀） 订阅用户开放。
与视频生成模型不同，Project Genie有两个promtps填写位置，左边填写环境的 prompt，右边写主角的 prompt，还能上传参考图片。选择用第一人称还是第三人称。
在输入提示词后，短短一分钟内，Project Genie 显示世界模型视频的“第一帧”，给用户一个预览，看看是否要进行调整。
我尝试了两次同样的提示词，差别还是有的。
如果对预览结果满意，就可以直接开始创造世界。
当世界生成完成后，用户即可接管角色，在世界中进行自由探索。
目前 Project Genie 支持约 1 分钟的可交互探索时长，分辨率为 720p。虽然时间和分辨率不是很前沿，但世界模型在这个时间点，最重要的是“控制”。
Project Genie 的人物控制方式接近传统游戏逻辑，用户可以使用 WASD 控制角色前后左右移动，同时用方向键可独立控制视角进行前后左右的镜头转动，最惊喜的是人物可以跳。
相比人物位移，视角移动明显更加流畅，响应延迟很低，整体操作手感更接近实时渲染而非视频回放。同时，系统内置了基础的物理约束，例如角色行进到场地边缘时会自然停下，而不是穿模或继续滑行。
从生成质量来看，Project Genie 与传统视频生成仍存在明显差异，但在“世界还原”层面已经相当完整。prompts中提到的球场、草地、傍晚光照、电子大屏、观众挥舞旗帜都被还原。此外，人物的初始位置同样符合语境，从中圈附近出发，身着简洁的训练服，与整体世界设定保持一致。
我们再来试试用图片生成世界。
这一次我们上传的是《艾尔登法环》的游戏画面。Project Genie 基本复现了原图的环境特点，具体效果直接看生成视频即可。
Project Genie 生成的世界是可以反复进入的。在这次测试中，我们选择了与之前足球场案例不同的路径，不再是平面移动，而是尝试纵向位移。
这个世界中人物初始位置就在悬崖边缘。于是我们让人物直接跳下悬崖。
从结果来看，表现相当完美。人物起跳、下落、落点的空间关系在视觉上是合理的，而且角色顺利落到下方路径，没有出现明显的空间错位。
第二次跳崖时，角色在下落过程中甚至因为蹭到岩壁而短暂“卡”了一下，这个细节很关键，说明Project Genie是真的在计算角色与环境之间的物理碰撞，而不是简单把物体抽象成一个个立体图像，细节用视频补足。
细节层面也有加分项。起跳时，脚下会扬起灰尘，落地瞬间，人物会有轻微屈膝的缓冲动作。这些都增强了动作的可信度。当然，还是有点瑕疵，在最后一个画面中，角色实际应该落在水面上，但并没有出现水花效果，人物短暂悬浮在水面之上。
另外，更值得注意的是世界风格的稳定性。在人物进行了大幅度、连续的空间移动之后，整个世界并没有随之“变形”或风格漂移。金色树叶的色调、末日感的整体氛围、悬崖与断壁的结构关系，都被完整地保留下来，没有因为视角和位置变化而崩坏。
这一次纵向移动的测试，比单纯的平面行走更能体现，Project Genie 不只是“看起来像一个世界”，而是在尝试维持一个在运动中依然自洽的3D空间结构。
我们再来尝试一个第一视角，并且尝试给生成的世界换一个截然相反画风，观察 Project Genie 对整体风格切换的处理能力。
在初始状态下，世界细节依然保持在一个不错的水准。但真正的测试从这里开始，我们在已有世界的基础上，额外输入了一段整体改变世界风格的 prompt，试图将原本偏写实的环境，整体转化为像素画风。
结果并没有延续前几个案例中的惊艳表现。风格变化更多集中在角色层面，人物被明显像素化，队友也趋向于贴图式呈现，但作为主体的环境几乎没有发生根本变化，地形、光影和空间结构依然保持着偏写实的渲染方式。换句话说，风格切换并未真正作用于“世界”，而更像是叠加在角色之上的一层外观修改。
与此同时，风格修改还带来了一定的细节损失，比如信号烟雾弹消失，变成了灭火器，场景语义出现了明显的偏移。
Project Genie 可以在同一世界内维持结构稳定，但对已生成世界进行整体风格重写，仍然明显弱于从零生成时的表现。当然，用AI生成内容是一个反复抽卡的过程，也许多尝试几次，Project Genie 就可以给一个更加合理的世界。
如果把 Project Genie 放进更大的生成模型谱系中来看，它现在所处的位置其实非常清晰：世界模型，正在经历自己的「视频生成 1.0 时期」。
今天的视频生成模型，已经卷到了分辨率、运镜语言和叙事连贯性，很多作品看起来已经接近“可以直接作为内容使用”。但回到最早阶段，视频生成真正令人震撼的，并不是画面质量，而是那一刻人们意识到，画面，真的能连续地动起来。
Project Genie 所代表的世界模型阶段，与之高度相似。它并不是在和游戏或影视内容比“画得多好”，而是在回答一个更基础的问题：一个由模型生成的世界，能不能在被持续操作时不迅速崩溃。
因此，Project Genie 在设计上做出了非常明确的取舍。它主动牺牲了分辨率、画面精度和生成时长，把算力优先用在维持一个可被反复进入、持续探索的环境。你能不能站在悬崖边缘停下，能不能跳下去，会不会撞上岩壁，移动之后世界风格是否还能保持一致，这些问题，远比“画面像不像某款游戏”更重要。
从技术层面看，Project Genie 能成立，并不是因为某一个单点突破，而是因为它同时满足了三件此前并不容易同时做到的事情：状态可持续、空间一致、行为可约束。
Project Genie（Genie3）的技术难点在于维护一个隐式的世界状态。用户的输入不再只是触发一次新的画面补全，而是被当作对世界状态的真实干预。角色是否能前进，取决于地形是否允许，是否会坠落，取决于重力和边界，世界风格是否延续，取决于状态是否被连续继承。
这意味着模型做的已经不只是“预测下一帧”，而是在给定历史、规则和动作条件的前提下，推演世界接下来应该如何演化。
也正因为如此，Project Genie 看起来既不像一个完整的游戏，也不像一个视频工具。它更像一个尚不成熟、但已经能够自洽运转的系统原型。
所以，Project Genie 现在最重要的意义，它第一次让普通用户直观地意识到：世界模型不只是论文里的概念，它真的可以被构建、被进入、被操作，并且在一定范围内持续成立。
作者｜董道力
本文由人人都是产品经理作者【硅星人】，微信公众号：【硅星人Pro】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。