谷歌DeepMind團(tuán)隊(duì)展示了Genie模型，能把草圖變成2D游戲。

生成式人工智能可以通過(guò)語(yǔ)言、圖像甚至視頻生成創(chuàng)造性內(nèi)容。而DeepMind引入了生成式人工智能新范式——Genie（generative interactive environments，生成式交互環(huán)境），根據(jù)單個(gè)圖像提示來(lái)生成“交互式可玩環(huán)境”。該模型從游戲視頻中學(xué)習(xí)游戲機(jī)制后，可以通過(guò)一個(gè)簡(jiǎn)單提示創(chuàng)建2D平臺(tái)類(lèi)游戲。

2月26日，DeepMind表示，Genie是一個(gè)從互聯(lián)網(wǎng)視頻中訓(xùn)練出來(lái)的基礎(chǔ)世界模型，它可以根據(jù)合成圖像、照片甚至草圖生成各種各樣動(dòng)作可控的2D世界，使人們能夠與他們想象的虛擬世界互動(dòng)。

“只需要一張圖片，Genie就可以創(chuàng)建一個(gè)全新的互動(dòng)環(huán)境。” DeepMind表示，這為生成和進(jìn)入虛擬世界打開(kāi)了大門(mén)。例如可以采用最先進(jìn)的文生圖大模型來(lái)生成初始幀，然后用Genie賦予它們“生命”。

Genie的模型參數(shù)只有110億，根據(jù)人類(lèi)玩2D平臺(tái)類(lèi)游戲的20多萬(wàn)小時(shí)視頻進(jìn)行無(wú)監(jiān)督訓(xùn)練。Genie的出現(xiàn)要?dú)w功于谷歌研究人員開(kāi)發(fā)的可推斷視頻幀之間動(dòng)作的潛在動(dòng)作模型、將原始視頻幀轉(zhuǎn)換為離散標(biāo)記的視頻分詞器，以及推測(cè)下一幀的動(dòng)態(tài)模型。

DeepMind表示，Genie的獨(dú)特之處在于，它能夠在沒(méi)有動(dòng)作標(biāo)簽的情況下，完全從互聯(lián)網(wǎng)視頻中學(xué)習(xí)精細(xì)的控制。這是一個(gè)挑戰(zhàn)，因?yàn)榛ヂ?lián)網(wǎng)視頻通常沒(méi)有關(guān)于執(zhí)行哪個(gè)動(dòng)作的標(biāo)簽，甚至沒(méi)有關(guān)于應(yīng)該控制圖像哪個(gè)部分的標(biāo)簽。

DeepMind開(kāi)發(fā)人員蒂姆·羅克塔謝爾(Tim Rockt?schel)表示，Genie學(xué)習(xí)各種潛在動(dòng)作，以一致性控制角色。Genie習(xí)得潛動(dòng)作空間不僅具有多樣性和一致性，并且具有可解釋性。此外，Genie模型是通用的，并不局限于2D。

DeepMind 在官方聲明中也表示，Genie “專(zhuān)注于2D平臺(tái)類(lèi)游戲和機(jī)器人的視頻”，“但我們的方法是通用的，適用于任何類(lèi)型的領(lǐng)域，并可以擴(kuò)展到更大的互聯(lián)網(wǎng)數(shù)據(jù)集。”DeepMind認(rèn)為，Genie引入了一個(gè)能從圖像或文本生成整個(gè)交互式世界的時(shí)代，它將成為訓(xùn)練未來(lái)通才AI智能體的催化劑。

不過(guò)Genie是一個(gè)研究項(xiàng)目，而不是最終產(chǎn)品。它的訓(xùn)練視頻是160 x 90像素的超低分辨率視頻，每秒只有10幀，它生成的“游戲”同樣是低分辨率的，每秒只有1幀。“該模型目前以每秒1幀的速度運(yùn)行，所以現(xiàn)在它離實(shí)時(shí)可玩還很遠(yuǎn)。”蒂姆·羅克塔謝爾表示。