据谷歌公司官网26日报道，谷歌旗下“深度思维”公司重磅发布了一个根据互联网视频训练的基础世界模型——Genie（精灵）。其可从合成图像、照片、草图生成多种动作可控的环境。
过去几年，生成式人工智能（AI）模型能通过语言、图像甚至视频生成内容。谷歌此次引入生成式人工智能新范式，即生成式交互式环境，通过单个图像提示即可生成交互式、动作可控的环境。
Genie是一个110亿参数的基础世界模型，在超过20万小时的二维（2D）游戏视频上进行训练，无需人工监督。这意味着Genie可以从视频中自行识别不同动作的特征和模式。其能学习各种角色的动作、控制和行动。
Genie的独特之处还在于它能够专门从互联网视频中学习细颗粒度的控制。Genie不仅能观察哪些部分是可控制的，而且能根据生成的环境来推测出多种潜在的动作。该模型接受单个图像（无论是AI合成图像、照片还是草图），并将其转换为可玩的游戏，响应用户控件。从图像到基本的交互环境一步到位。用户只需提供一张纸上的草图、一幅完美的数字艺术作品，甚至是AI生成对2D世界的描述，Genie就会完成剩下的工作，帮用户生成2D游戏。
谷歌官网称，Genie专注2D平台游戏和机器人技术的视频，但方法通用，应适用于任何类型领域并可扩展至更大的互联网数据集。只需一张图像就能创建全新的交互环境，这为生成和进入虚拟世界的各种新路径开启了大门。
