谷歌DeepMind團隊展示了Genie模型，能把草圖變成2D游戲。

生成式人工智能可以通過語言、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)單個圖像提示來生成“交互式可玩環(huán)境”。該模型從游戲視頻中學(xué)習(xí)游戲機制后，可以通過一個簡單提示創(chuàng)建2D平臺類游戲。

2月26日，DeepMind表示，Genie是一個從互聯(lián)網(wǎng)視頻中訓(xùn)練出來的基礎(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作可控的2D世界，使人們能夠與他們想象的虛擬世界互動。

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

Genie的模型參數(shù)只有110億，根據(jù)人類玩2D平臺類游戲的20多萬小時視頻進行無監(jiān)督訓(xùn)練。Genie的出現(xiàn)要歸功于谷歌研究人員開發(fā)的可推斷視頻幀之間動作的潛在動作模型、將原始視頻幀轉(zhuǎn)換為離散標記的視頻分詞器，以及推測下一幀的動態(tài)模型。

DeepMind表示，Genie的獨特之處在于，它能夠在沒有動作標簽的情況下，完全從互聯(lián)網(wǎng)視頻中學(xué)習(xí)精細的控制。這是一個挑戰(zhàn)，因為互聯(lián)網(wǎng)視頻通常沒有關(guān)于執(zhí)行哪個動作的標簽，甚至沒有關(guān)于應(yīng)該控制圖像哪個部分的標簽。

DeepMind開發(fā)人員蒂姆·羅克塔謝爾(Tim Rockt?schel)表示，Genie學(xué)習(xí)各種潛在動作，以一致性控制角色。Genie習(xí)得潛動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 “專注于2D平臺類游戲和機器人的視頻”，“但我們的方法是通用的，適用于任何類型的領(lǐng)域，并可以擴展到更大的互聯(lián)網(wǎng)數(shù)據(jù)集。”DeepMind認為，Genie引入了一個能從圖像或文本生成整個交互式世界的時代，它將成為訓(xùn)練未來通才AI智能體的催化劑。

不過Genie是一個研究項目，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幀的速度運行，所以現(xiàn)在它離實時可玩還很遠。”蒂姆·羅克塔謝爾表示。