Sora爆火后，谷歌重磅官宣Genie。

   據谷歌官網，Genie擁有110億參數，能夠用一張圖片、草圖合成可操控的虛擬世界。

   Genie到底是什么？與Sora相比，兩者有何異同？世界模擬器又是什么？據此，第一財經、藍鯨財經進行了相關報道。

   以下是報道全文。（請點擊查看原文）

   “Sora熱”未退，新一款視頻生成模型——Genie強勢來襲。

   2月26日，谷歌Deep Mind團隊發布基礎世界模型Genie，一個虛擬生成的可交互環境，110 億參數，通過給模型投喂視頻數據進行訓練，生成照片、草圖甚至可以操控的虛擬世界。

   這意味著，僅靠一張圖片，Genie便能開啟無限世界的大門。

   很多人表示：谷歌又來領導 AI 技術了。

   但，這只是 AI 技術的新突破嗎？事情真的這么簡單嗎？

   1 Genie是什么？

圖片來源：視覺中國

   據谷歌介紹，Genie是一個110億參數的基礎世界模型，能從互聯網視頻中學習顆粒度的控制，不僅能了解哪些部分是可控的，還能推斷出生成的環境中的潛在動作。

   它由三部分組成：一個簡單且可擴展的潛在動作模型推斷每對幀之間的潛在動作、一個視頻分詞器將原始視頻幀轉換為離散標志（token），以及一個動態模型，在給定潛在動作和過去幀token的情況下預測下一幀。

   根據藍鯨財經記者觀察，這是指當給Genie提供不同的圖像（類似不同版本的馬里奧通關環境）時，圖像中的小人能在遇到障礙時表現出同樣的彈跳、躲避障礙的動作，且符合物理規律，但這些視頻非常卡通化。

   官網也表示：“我們專注于 2D 平臺游戲和機器人技術的視頻，但我們的方法是通用的，應該適用于任何類型的領域，并且可以擴展到更大的互聯網數據集。”

Genie生成的視頻截圖。圖片來源：Google Genie官網

   在官網上，Genie也生成了模擬機器人動作的視頻。Genie團隊訓練了一個較小的 2.5B 模型，與游戲平臺的情況一樣，具有相同潛在動作序列的軌跡通常會表現出相似的行為。這表明 Genie 能夠學習符合一貫規律的動作空間，可能適合訓練多面手智能體（機械臂）。Genie 還可以模擬可以變形的物體。

Genie生成的機械臂視頻截圖。圖片來源：Google Genie官網

   2 Sora、Genie誰更牛？

   與競爭對手OpenAI兩周前火遍全球的文生視頻模型Sora相同，Genie同樣是一個“物理世界模擬器”，能夠在虛擬世界中做物理世界的實驗。不同的是，Sora是直接從文字生成視頻，這更加“大力出奇跡”，且生成視頻長度可達一分鐘；而Genie從目前官網披露的情況看，大部分情況下需要先用文生圖模型來生成起始幀圖片，再用Genie 生成視頻，且視頻在一兩秒左右，更像是動圖。

   且與Sora呈現出來的高清晰度、高真實度相比，Genie似乎不那么強調畫面真實性，而是將重點放在潛在動作預測上。生成高真實度的視頻并非目前Genie的著力點。

   “Genie的獨特之處在于它能夠專門從互聯網視頻中學習細顆粒度的控制。這是一個挑戰，因為互聯網視頻通常不會標注其正在執行哪個動作、應該控制圖像中的哪一部分。Genie不僅了解觀察的哪些部分是可控制的，而且能根據生成的環境來推測出多種潛在的動作。請注意相同的潛在操作如何在不同的提示圖像下產生相似的行為。”

   據了解，動作可控是目前AI視頻的一個難點，有創作者告訴第一財經記者，PIKA等視頻生成工具多是做視差動畫，看上去動了，但運動合理性還有很大改進空間，大幅度運動、人物對話較難實現。一段長視頻要具備劇情，還保持在同一個風格里，AI很難做到，Sora通過多鏡頭巧妙地規避了這個問題，但還不能確認解決了問題。從這個角度看，AI理解物理世界并控制物體動作是一個重要方向。

   3 Sora、Genie的本質是什么？

   如果只把Sora、Genie當做生成視頻的影視工具，就大材小用了。

Sora生成的一個視頻中，跑步機倒著跑。圖片來源：OpenAI Sora官網

   Sora、Genie的本質是“世界模擬器”，讓虛擬世界模仿現實物理世界的各種屬性（重力、摩擦力、動能、光、聲、電、材料、生物等等），在虛擬世界中操控物體動作，在仿真的物理條件下來做實驗。

   Sora此前發布視頻中的金毛犬、吹蠟燭的老太太、冰川上的猛犸象等，都是Sora通過視頻數據集來“理解”現實世界是如何構成的、有什么物理規律、人類有怎樣的行為，來模擬生成的。所以，Sora自行理解提煉的模擬世界中的規律也可能不符合現實物理世界，比如老太太吹不滅蠟燭、人在跑步機上倒著走、籃球直接穿籃而過等等。

   世界存在龐大的信息量，我們需要開發出能夠分析并理解這些海量數據的模型和算法，生成模型是朝向這個目標邁進的最有希望的方法之一。世界模型的一個好處或許在于，人類可以把需要試錯的部分放在虛擬世界中進行。

   在谷歌發布的Genie之前，有不少視頻生成模型在全球火爆。2023年12月底，Pika Labs推出Pika 1.0，生成視頻長度在3秒左右，以單鏡頭為主。Runway視頻模型于2023年2月發布，支持最多18s視頻生成，鏡頭相對固定。2024年2月16日，全球明星AI創業公司OpenAI發布文生視頻模型Sora，有精細的畫質、多鏡頭拍攝、多角度運鏡，對于真實人類世界的模擬度極高。