什么是“世界模型”？尽管你可能已经熟悉大语言模型、图像生成模型等概念，但“世界模型”或许还是个新词。为此，我们采访了谷歌工程师Shlomi Fruchter和Jack Parker-Holder，深入了解这一前沿技术。 他们共同主导了谷歌最新项目Project Genie的开发。Shlomi负责下一代视频与世界模型的研究与优化，而Jack则专注于构思模型的新能力，并推动团队制定实现路径。 Project Genie是一个让用户通过图像和文字创建虚拟世界并实时探索的工具。你可以想象自己踏上外星星球，或潜入海底与海洋生物共游。关键在于，这些世界并非预设的动画场景，而是由模型动态生成的——当你走进一个由图片构建的房间，模型会实时预测门后景象、镜面反光、木地板的光影变化，甚至模拟水洒在地上或下雨时的反应。你可以与物体互动，比如推一个地上的球，它会像现实中一样滚动。 这正是世界模型的核心：它不是预测下一个词，而是预测环境在动作下的演变。它基于视觉输入，学习世界中物体如何相互作用，模拟物理规律，实现端到端的动态推理，无需依赖传统游戏引擎。 虽然“世界模型”概念早已有之，但2018年谷歌大脑（现属DeepMind）的David Ha和Jürgen Schmidhuber发表的论文首次系统性地展示了从视觉数据中训练世界模型的方法，使这一术语广为人知。 与大语言模型不同，语言模型学习的是语言的统计规律，预测下一个词；而世界模型学习的是物理与环境的动态规律，预测“接下来会发生什么”，并能模拟复杂交互。 目前，世界模型主要基于视觉观察，但未来也可融合触觉、嗅觉等多模态感知。 如何使用Genie？最有效的方式是上传一张图片（如沙滩上的狗）并添加描述性文字，比如“海面波涛汹涌”。模型会据此构建一个可互动的动态场景。 世界模型的应用潜力巨大：可用于训练AI智能体在虚拟环境中学习真实世界技能，避免现实实验的风险与成本；也可用于教育，让学生“走进”古罗马或深海，通过互动学习历史与科学知识，让课堂更生动、更具沉浸感。