AI要进步，居然得先学打游戏？

开了眼了，上周编辑部还在说下半年感觉 AI 领域没啥大活儿了，结果没过几天就发现话放早了。

 

宁猜怎么着，本来以为 AI 还停留在输入文字，然后出图出视频的这些程度上，结果这两天突然有几个 AI 公司，都开始宣布人家可以生成世界了。

 

 我勒乖乖，这不就是 AI 界做梦都想搞出来的 “ 世界模型 ” 嘛：能像人一样理解这个真实世界的超级 AI ！

 

先是前几天的 World Labs ，虽然大家可能没听说过，但人家创始人可是著名 AI 科学家、斯坦福大学教授、美国科学院院士、机器学习奠基人之一、有 AI 教母之称的著名美籍华人科学家李飞飞。

 

 在 World Labs 官网上说到，这是世界上第一个能直接渲染出完整 3D 场景的AI ，超越了传统生成模型的单纯像素预测，而且这场景还能有交互性和自由度。

说人话就是，这玩意跟以前的生图生视频模型不一样了，只需要塞给它一张图，人家就能给出一套空间建模，而且还能在里面动。

 

 

虽然现在咱们还没法用，但人家官网还是放出来一些案例给大家看。

 

大家一眼就会发现，这演示画面里咋有个键盘和鼠标。

 

其实就是人家为了展示这生成出来的场景是有自由度滴，你可以自己用键鼠操作，在网页上操作去试。

 

 然而世超不建议大家去试，因为真的超卡，活动范围也不大，还容易晕。。。

 

不过作为行业内首发，咱也是可以理解万岁一波的。

 

但好巧不巧，李飞飞这东西发布才过了一天，还有高手。

 

 谷歌 DeepMind 也出了一个 “ 世界模型 ” ，而且还是第二代，号称能理解真实世界的运作规律。世超也跑去他们官网看了一圈，瞅瞅这个 Genie 2 ，到底怎么个真实法。

 

先看人家的演示，输入一句提示词以后生成的效果。

 

该说不说，这瞅着确实也挺逼真的，有两下子。

 不过要是跟上面 World Labs 的 AI 对比的话，估计大家一眼就会发现，这个好像更加流畅，自由度也更高些。

 

实际上人家官网也说了，这是一个类似游戏的基础世界模型，在这里面，你也一样可以用 WASD ，空格和鼠标来操控画面里的角色

 

甚至还可以生成第一人称视角的版本！

 

而根据操作产生的画面，则全部是由 AI 即时算出来的，甚至可以持续长达一分钟时间。

 

 

而已经生成出来的画面和建模，你要是操控键盘往回走，会发现之前是什么样现在还是什么样。

 

这就很离谱了，相当于生成出来的这个新世界，每一秒长啥样这 AI 都是能记得住的。

 

 除此之外，这里面的角色和交互也很有看点。

光在运动上，就不止常规的步行，你可以跑可以跳，还可以爬梯子

 

 

甚至可以开车，还可以开枪射击。

 

而里面 AI 生的 npc 们，也是可以发生交互的

 

虽然这交互效果有点不尽人意，但还是能看出来动了的。

 

而在整个场景中，跟自然相关的运动场景也能搞出来.

 

就比如水面:

 

还有烟雾:

 

还包括了重力和光线反射效果:

 

哪怕你给出现实中的照片，它也能跟着模拟一下周围的环境，瞅着跟谷歌地图的街景似的。

 

虽然视觉效果着实挺牛逼的，不过，跟李飞飞那个一样， DeepMind 的新模型也没有给出来让大家上手试，只在官网发布的他们测试的版本。

 

 但根据世超平时测试这些 AI 的经验嘛，甭管是大厂还是新势力，官方给出来的演示那肯定都是精挑细选的好看的案例，真正要用的话，那估计还得降低一个级别的期待值。

 

不过这次比较好玩的是， DeepMind 也很实诚的说，他们这个还是一个早期的版本，自己测试的时候也会出现一些翻车案例。

就比如下面这个，本来说让画面里的小哥滑雪，结果 AI 给他搞成了跑酷。

 

还有一个花园的场景，玩家还没操作呢，啥都没动，结果花园里突然飘过了一个幽灵。。。

 

虽然还有瑕疵，但是就从他们给的这些演示上，世超觉得这确实是在 AI 理解世界这方面，取得了比较成功的进步。

 有聪明的差友可能这时候就要问了，这种跟随一个主体运动的画面，以前的 Sora 类视频模型不也能做到嘛，凭啥这个就更接近世界模型？

 

其实还是跟训练 AI 的方向有关系。

 

Sora 虽然刚出来的时候号称世界模型，但是实际这些视频模型穿模的情况还是很多的，幻觉也不太好解决。

 本质上他们学习的资料都是视频，靠前面视频的画面去推后面的，并不真的理解视频里的东西是怎么交互，怎么作用的。

 

就比如说，让 AI 从看视频里学到物体有重量，是相当困难的。

而要让 AI 意识到这些真实世界里的参数，它首先就得知道环境是一回事，环境里的人和物是另一回事，所以大家才从文生图模型，一步步走向了生成地理环境，而后在环境内去呈现人的动作。

 

 这也就是李飞飞 World Labs 的模型的效果，相当于先让 AI 学会建模，再展示看到的场景。

 

但相比上面 World Labs ， DeepMind 显得更厉害一点，这其实跟他们的技术路线不一样有点关系。如果说前一个是打算用图片来还原更真实的场景，后一个则是用 AI 给你生成了一个游戏世界。

 

当然他们之所以能搞出来，主要人家在训练的时候就是按游戏素材来学习的.

 

相比视频素材，游戏的好处就在于 ai 不仅能学到角色和画面的动态变化，也能观察到角色动作的键盘操作，是如何影响画面和动作变化的，这样它就对物体与环境的交互理解的更全面。

 实际上，早在今年三月， Genie 团队就已经出来一个版本，不过那时候他们做的还是 2d 画面的横屏 AI 游戏。

 

结果到了 2.0 版本，人家给 3d 的整出来了，实际效果看起来也非常接近大家平时玩的这些 3d 游戏，甚至比一些游戏的画面质量还要好一点。

 

不过呢，咱也不是说 DeepMind 就发现了 AGI 的通用解，演示中表现的还行也不等同于 AI 就真的理解现实。

 

最明显的原因就是，这 AI 是靠游戏学的，而游戏是人类根据现实来做的。靠人类的二手资料学的再好，也绝不等同于对真实世界的理解无误。

 

至于 AGI 啥时候真来，咱还是得说句，再等等。