Genie 3不是更强的视频模型，它是一台创世引擎的雏形

2025年8月6日，今天上午我翻来覆去睡不着，索性起床把Google刚发布的通用世界模型Genie 3写成一篇，因为作为一个近20年游戏玩家和近10年VR玩家，我看到那个演示视频时心跳得厉害。

今天除了OpenAI开源的gpt-oss之外，还有一个我觉得非常值得一说的东西，就是Google发布的这个世界模型Genie 3。本来6点钟发完gpt-oss我想睡醒了再聊、下午发，但翻来覆去睡不着，于是翻身起床决定认真聊聊这玩意。

先说结论：它不是又一个可以互动的AI视频模型，更不是Sora或者Veo的简单升级。如果只把它理解成"能实时互动的Sora"，那完全低估了它的革命性。Genie 3是一个世界模型（World Model），对我而言它更像创世引擎的雏形。我们正站在一个新世界的入口，而Google刚刚推开了一丝门缝。

要理解它的颠覆性，得先弄明白"世界模型"这个词。听着玄乎，用一个简单的比喻就懂：过去的视频生成模型Sora更像一位电影导演，整部电影已经拍完、剪好、加好特效再放给你看，画面精美、故事完整，但你是纯粹的观众，只能被动接受，改变不了任何事。而世界模型更像一个即时计算的视频游戏引擎，每一步都根据当前状态和用户操作决定下一瞬间的画面。这个引擎搭起一个世界，里面有物理定律（东西往下掉、撞墙会反弹）、有环境设定，甚至有NPC的行为逻辑。搭好舞台后它就在那儿等你指令，你按下手柄，它按这个世界的规则实时计算并渲染接下来发生什么。这就是Genie 3和Sora、Veo3这类AI视频产品最本质的区别：一个是预先录制的电影，另一个是可实时演算的模拟器；前者是叙事的终点，后者是世界的起点。

Genie 3的演示里有直升机在天空中飞行的场景，之所以震撼，是因为每一次转弯、每一次海面水波的荡漾，都是模型对用户实时输入的即时反馈，而所有场景稳定得始终如一。要知道这不是在播固定视频，场景也不是事先建模好的3D场景，而是在你按下方向键的那一刻，它为你生成了全世界。这种能力在游戏里一般称之为：创世。比如那只蜥蜴的世界，比如山脉漂浮、悬崖倒置、河流在半空中扭曲的世界，所有一切都跟随着你的前进、移动、跳跃实时生成。这画质、这稳定性、这一致性、这交互性，太可怕了。

当然Genie 3并非横空出世，罗马不是一天建成的。他们之前做过很多实验：GameNGen是2023年初DeepMind（准确说是Google Research）的实验性项目，全名Diffusion Models Are Real-Time Game Engines，当时基于毁灭战士做了很短的可控视频实时生成，还挺火，但非常偏实现性质、太糙了，分辨率也只有可怜的320p。接着是Genie 1和Genie 2，分辨率提到360p，应用范围扩大到更通用的3D环境，但代价看清楚：交互延迟那一栏写着"非实时"，非常卡顿——为了更复杂的环境，他们牺牲了最重要的实时性，交互时长也只从几秒提升到10到20秒。

与此同时，另一条AI视频路线也在狂飙突进，代表作就是Veo。它把分辨率直接干到4K级别，画面极其通用和逼真，可以说是最牛逼的AI视频模型，但本质依然是AI视频模型，没有交互，只负责把画质和真实感走到极致。然后就是今天，主角Genie 3登场，像个集大成者终于解决了前辈们无法调和的矛盾：交互延迟是实时，找回了GameNGen最初的梦想；交互时长数分钟，相比Genie 2的十几秒是数量级飞跃；控制方式是导航加可提示世界事件，不仅能行动，还能直接用语言创世；分辨率720p，是个非常聪明的选择，在保证实时性和互动时长的前提下找到的最佳画质平衡点。

理解了这段历史，再看"一致性"这个致命难题就会更有感触。Genie 3里开头是一块黑板，上面有画有字，你走上前细细观摩，然后走到一边看向窗外，过一分钟再回来，黑板上的内容只字未改依旧存在。这个一致性、这个记忆能力太恐怖了。还有个演示，能保证建筑物左侧的树木在整个互动过程中保持一致，哪怕它们时而进视野时而离开。太牛逼了。

大概一个月前我体验过一个叫Odyssey的产品，也是世界模型，坦白讲那是一次非常糟糕的体验：我控制角色往前走了也就十几秒，整个画面就开始崩坏、扭曲；最吓人的是每次回头看走过的路，身后的世界完全变了样，每回头一次就变一次。那种感觉就像走在一个不断溶解、不断重组的恐怖空间里，极度缺乏安全感——我在一个世界模型里走出了恐怖游轮的感觉。而Genie 3最牛逼的地方，恰恰就是在这个要命的问题上取得突破：当稳定交互时长从十几秒跃升到数分钟，就意味着终于可以从Odyssey那种回头即崩的恐怖体验，迈向一个至少在几分钟内值得信赖和探索的稳定世界。

所以在我看来，Genie 3就像一场我们能部分控制的清明梦，绚烂、多变、充满惊喜，但目前还像个随时可能醒来的梦。即便如此，它展现的可能性已经给了我前所未有的想象空间，你甚至可以在这个梦里跟创世神一样随意修改。这种创世引擎一旦成熟，对现有部分行业的冲击将是核弹级的。

先说VR。我玩了这么多年VR，最大的痛点一直是内容匮乏：体验到的还是一个个稀少、孤立、精美的3D场景，而不是一个活生生的世界。未来戴上头显，不再是打开App列表，而是对AI助手说一句：带我去一个雨夜的赛博朋克城市，要能听到远处警笛声，街角有一个卖拉面的小摊。然后一个独一无二、可供实时探索的世界就为你而生。VR将从内容消费设备变成世界生成入口，解决了内容问题，才有元宇宙真正该有的样子，这才是绿洲真正的魅力。

再说游戏。现代3A开发成本动辄数亿美金，绝大部分花在构建庞大精细的游戏世界上，是劳动密集加资本密集的产业。未来的《上古卷轴6》《GTA7》或者《博德之门4》，除了主线剧情，我们可能在游戏里跟一个有个人意识的NPC聊天，然后触发一条全新支线："一个被巨龙摧毁的村庄的系列任务，我要在废墟里寻找幸存者，并找到巨龙的巢穴。"当然，我并不是想说纯粹随机的故事或游戏能好玩到哪去——讲故事、做游戏，让人觉得好看好玩是非常难的一件事，规则的约束至关重要。世界模型的可贵之处在于，它能在精妙的人类规则设计下，填充无穷无尽、合乎逻辑的动态细节。游戏的延展被巨幅拓宽，制作人或设计者完全可以指定这个AI世代的随机规则，就像生成《无人深空》里的星球那样，用规则约束世界模型的生成，在保证游戏性和故事性的基础上，让玩家的体验不再首先受限于人力和想象力，而是把这个世界的主导权交还一部分给玩家。玩家不再只是玩家，更是关卡设计师、任务发布者、甚至是世界观的共创者。官方演示里智能体在Genie 3生成的世界中完成任务，我觉得这已经揭示了未来的冰山一角。

还有电影。电影诞生一百多年来一直是线性的、导演中心制的，观众只能被动跟随镜头看一个被安排好的故事。直到去年一些互动影游火了，讲故事的方法才稍微有点变化，但互动影游的情节本质上仍是被安排好的故事。Genie 3的可提示世界事件更像一种全新叙事形式的诞生：未来的电影可能更像一场由你主导的梦境，当你看到主角面临抉择，可以暂停，用语言导演接下来的剧情——"让天开始下雪，让他们在雪中拥抱"，或者"让反派的电话突然响起，打断他们的对峙"。你不再是观众，而是拥有部分神之权限的参与者。这比《黑镜：潘达斯奈基》那种选择分支的互动剧走得远得多：它不是在A和B之间做选择，而是在一个拥有无限可能性的空间里自由创作。电影和游戏的边界将在这里彻底消融，我一想到那样的未来就心潮澎湃。

当然也要清醒看到当下的局限：只能维持几分钟的互动时长、无法精确模拟真实世界、文本渲染能力差，而且现在还没对公众开放，真正上线时效果不知道会不会打折。它就像一百多年前卢米埃尔兄弟在咖啡馆放映的第一部电影《火车进站》，粗糙、黑白、无声，甚至可能让当时的人感到恐慌。但这不重要，重要的是它证明了一件事：路是通的。

过去我们通过文字和口述传承神话，后来通过绘画和电影描绘神话，而今天，我们即将获得亲手创造神话的能力。那问题也来了：你，究竟想要一个什么样的世界？