生成式AI能夠生成文字、圖片、影片，那麼生成世界可能嗎？自從Google推出Genie系列、微軟推出WHAMM以來，AI在世界模型的應用想像就被打開了。雖然多數人第一時間會聯想到的是：「這是不是可以拿來生成遊戲？是不是下一代元宇宙平台的雛形？」這樣的聯想並不奇怪，畢竟這些模型看起來就像是互動3D空間的生成器。
但實際上，這類模型的重點或許不在於生成讓人娛樂的空間，而在於為AI代理提供一個能夠反覆嘗試、推理與學習的訓練場域。問題是，過去的模型普遍存在的最大問題，就是缺乏一致性。這次，升級後的Genie 3不只是讓畫面升級、操作更即時，更首次實現了跨分鐘的空間一致性，讓訓練可以真正發揮效益，也為通用人工智慧（AGI）的發展奠定了更具體的基礎。
Genie 3可以生成極為擬真的3D虛擬空間。（來源：Google DeepMind）
Genie 3是什麼？升級版的世界模型
在Google DeepMind的定位裡，Genie 3是一款通用型世界模型（general purpose world model），它能在720p、每秒24幀的即時狀態下，根據文字提示生成可自由探索的互動環境。與上一代 Genie 2相比，最大的進化有三：
1. 即時操作和移動（Real-time Navigation）
以往的模型，不論是Genie 2還是WHAMM，要麼互動較為延遲，要麼只能短暫維持場景。Genie 3則能在使用者輸入操作後，瞬間更新畫面並回應，讓探索感真正接近遊戲引擎的即時性。
2. 跨分鐘的一致性（Long-horizon Consistency）
在連續互動的過程中，Genie 3能記住並維持先前生成的場景狀態——哪怕玩家在一分鐘後回到原地，場景中的物件、光影甚至天氣仍能對得上，減少了物理錯亂的突兀感。比方說你走過某棵樹，再繞一圈回來，它還在原地，不會憑空消失或變樣。
Genie 3能夠達成空間的一致性，仰賴的是「自回歸生成」（auto-regressive generation）技術，意思是模型在產生下一幀畫面時，會參考它剛剛生成的前一幀，不斷接著自己的輸出往下生成。
挑戰在於，「記憶範圍」會隨著遊玩時間越來越長。像Genie 3這樣能記住一分鐘前的細節，其實已經很不容易，它必須同時顧好短期記憶（一分鐘前你走過哪、東西在哪）和即時反應速度（你的新操作馬上反映出來），才能達到流暢且一致的互動體驗。
3. 可提示事件（Promptable World Events）
除了走動、觀察等基本操作，這次，Genie 3新增了「可提示事件」功能。使用者可以透過文字指令即時改變世界條件，就像上帝一樣。例如切換天氣、加入新角色或物件，甚至觸發劇情式變化，讓互動從單純的空間探索，擴展到故事與情境的動態生成。像在demo中，就讓一頭棕熊突然出現於草原場景、甚至是飛天巨龍從天而降在倫敦河道中。
不只是遊戲：AI代理的試煉場
雖然Genie 3在視覺上看起來很像一款「隨時生成的互動遊戲」，但它的核心價值，其實是為AI代理（agent）提供一個可反覆嘗試、持續推理的模擬世界。
這裡的AI代理，不是單純的聊天機器人，而是具備感知、決策、行動能力的虛擬「行動者」。Google DeepMind先前推出的SIMA（Scalable Instructable Multiworld Agent）就是代表的例子。SIMA被設計成能在多種3D虛擬環境中接受指令，自己去觀察、規劃，並一步步完成任務。例如Demo中，可以指示它去市場買特定東西、在博物館找到某個展品，甚至完成多個步驟才能達成的複雜任務。
（來源：Google DeepMind）
在過去，SIMA這類代理常受制於環境的一致性與可預測性：場景若在短時間內發生不合邏輯的變化，代理的決策鏈就會被打斷，無法真正「學會」應對長期情境。Genie 3的跨分鐘一致性，正好解決了這個問題。現在，AI代理可以在同一個持續存在的世界中連續執行數十個動作，並記住自己行為的過程與結果。
更關鍵的是，Genie 3的Promptable World Events讓研究者可以即時引入新變量，像是突如其來的天氣變化、陌生角色的加入、甚至完全改變任務條件，迫使代理在不確定的情境下重新評估策略。這種「假設性情境」（counterfactual scenarios）是通往通用人工智慧的必經之路，因為它要求AI不只是照著既定劇本走，而是能靈活應對任何可能發生的事。
未來，不論是要培養自駕車、協作機器人的控制系統，還是能自主完成任務的數位助理，這種「世界模型」都將是它們的起點與試驗場。
Genie 3或許還不足夠
Genie 3雖然已經能達到數分鐘的一致性，但仍舊還有許多不足：
・執行行為有限：現在的代理雖然能走動、觀察、與環境互動，但可直接執行的行為種類仍不多。許多世界事件需要透過指令觸發，而不是代理自己完成。
・多代理互動不成熟：讓多個AI在同一個世界中各自行動、相互影響，還是難題。要讓它們像真實人群那樣同時存在並互動，對世界模型來說仍是高難度的挑戰。
・持續時間受限：跨分鐘一致性已經是重大進步，但目前仍無法支撐數小時甚至數天的連續任務。對需要長期策略規劃的AI來說，這是一道天花板。
・真實場景還原度有限：即使能生成博物館或市場，這些空間與真實世界的地理與細節並不完全對應，因此在需要精準模擬的任務中會有落差。
這些限制也意味著，Genie 3暫時還只是個「封閉的試驗場」，還沒辦法讓AI長期駐留、慢慢累積經驗。DeepMind這次選擇用「限量研究預覽」的方式開放，先交給一小部分學術單位和創作者試用，邊收集回饋邊觀察，逐步壓力測試這個世界能承受多大的複雜度與變化。畢竟，要通往AGI，模型所生成的世界還需要更長的記憶、更有機的行動，以及能與多個智能體同場互動的能力。
從Genie、Genie2、WHAMM，到現在的Genie 3，世界模型已經從生成影片、生成3D場景，進化到能維持一致性的3D空間。或許，我們離一座能有機互動的AI虛擬小鎮，已經沒那麼遙遠了。
