伙伴们，谷歌这是连夜放了个大招，海外社交媒体直接炸锅了！
就在昨晚，谷歌发布了新一代世界模型Genie4，用谷歌官方的话说，这是他们迄今为止，最逼真、交互性最强的世界模型，人类正式从生成一段视频，进化到了实时运行一个世界。
然后模型刚发布几个小时，就在社交媒体上刷屏了，有人说它是谷歌版的黑客帝国，有人说这是又一个GPT时刻，将改写AI发展的轨迹。
那这玩意儿到底有多猛，它会对AI产业造成什么影响？
首先，我简单说一下啥是世界模型，它跟语言模型是一个相对的概念，我们现在用的生成式AI，主要都是语言模型，它的特点是懂文字，会说话。
比如你问它，一个大理石雕像砸向西瓜，会发生什么？它可以给你一段非常通顺的回答，雕像掉落，西瓜外壳碎裂，汁水洒了一地。
但是在语言模型的脑子里，并没有一个持续存在的三维场景，没有重力、碰撞、摩擦这些世界规则，所以它并没有模拟西瓜被砸的过程，而是根据自己学过的文字知识，给你拼凑出一段符合人类认知的回答，语言模型所有的输出，本质上都是文字接龙。
而世界模型，学的是视觉、空间、物理和因果，它需要理解三维画面，以及物体之间怎么互相作用。
同样拿西瓜被砸这件事举例，你在世界模型里下达指令，它会生成一个持续运行的虚拟空间，然后雕像因为重力落下来，西瓜被砸后裂开、汁水飞溅，它需要模拟整个动态过程。
简单说，语言模型只需要理解文字，世界模型需要理解这个世界的物理规则。
就拿谷歌这次发布的demo举例，画面中一个人站在湖边吹萨克斯，你输入一段文字，一条鲸鱼尾巴浮出水面，几秒钟后，湖里真的出现了一条鲸鱼尾巴，溅起了一片水花，你再输入开始下雪，然后就真的下雪了，雪越下越大，在地上积了厚厚一层，从始至终，萨克斯的声音一直没停。
说到这里，可能还有人会说，这不就是文生视频吗？有啥可大惊小怪的？现在那么多的短剧，不都是AI生成的吗？
哎，它们还真不是一回事儿。
文生视频，是给你生成一段影像，你只能被动地去看，里面的人物、剧情，你一个都改不了，看完了就没了。
但世界模型不一样，你能进到画面里边去，并且跟里面的场景互动。
而且它们的底层逻辑完全不一样，文生视频的本质是个像素生成器，它不需要理解和推演世界规则，只需要根据你的文字，生成一段图像，跟你的描述看起来越像越好。
但世界模型呢？它给你提供了一个虚拟世界，并且试图按现实世界的物理规则去运行，它需要根据你的指令，输出合理的结果，比如你往左转头，视野会发生什么变化？如果你推倒桌上的东西，接下来会发生什么？你离开这个房间再回来，刚才的环境还在不在？
所以Genie 4是真正在运行一个世界，而不是在播放一段视频，你的每一次移动、每一个操作，都会成为改变这个世界的新变量。
文生视频就像给你放一场电影，世界模型则是让你进入一座游乐场，一个是观众席上的看客，一个是场地里的玩家，这就是本质区别。
那它会对我们带来什么影响呢？
首先，如果世界模型发展成熟，游戏、影视、教育和文化传媒等行业，肯定会受到冲击，就像网友说的，前几年烂尾的元宇宙概念，没想到被AI以这样的方式给复活了。
以后一个人就能开发一款游戏，只需要构建一个有想象力的世界，就可能会很有意思，以后拍电影，一个虚拟世界就是一个片场，很多工作都省掉了。
但要说影响最大的，还得是具身智能产业。
我们在现实世界里训练机器人，需要提供各种场景，比如让机器人拿玻璃杯，力气太大会捏碎，力气太小也会掉在地上碎掉，要不断地反复实验，成本高效率低，而世界模型提供的，就像一个能无限生成的练功房，可以随意模拟各种复杂场景，让机器人先在虚拟世界摔个十万八千次，把经验攒够了再出厂，那么整个行业的研发周期和试错成本，都会大大降低，这不就是通往AGI的钥匙孔吗？
那问题来了，这到底算不算又一个GPT时刻？
我的看法是：方向是对的，但称之为时刻还太早，就拿它跟上一个版本Genie3相比，无论是真实感、连贯性，还是互动能力，都有了大幅的提升，而且还能实时生成声音了，不像上一版全程静音，但是它的缺点仍然很明显。
第一，单次模拟最长也就 2 分钟，时间一长，就开始穿帮了，物体细节开始漂移，场景前后对不上。
第二，它现在只是一个研究预览版本，连谷歌自己都承认，说仍处于早期，最终长什么样还不清楚。
第三，Genie4的推理成本非常高，远高于普通的大语言模型，这可能也是谷歌只做限量研究预览，不开放商用的核心原因。
这一点其实非常重要，GPT时刻之所以称为时刻，是因为普通人当天都能用的起，所以我认为，Genie 4是一个重要的里程碑，但还不是那个时刻。
但话说回来，现在的AI发展速度太快了，连宇树的王兴兴都感叹，说他过去十几年犯的最大错误，就是对AI的相信还不够，所以很可能用不了多久，世界模型就真的落地了。
热门跟贴