高质量世界模型需“理解”环境

近日，谷歌推出新一代世界模型Genie4。谷歌方面表示，Genie 4是其迄今最逼真、交互能力最强的世界模型，它能根据文本指令构建可探索的虚拟环境，并在用户持续输入指令时实时调整场景，让用户不仅能够观看AI生成的世界，还能进入其中与环境互动。

据了解，谷歌正探索其在游戏设计、影视制作、教育和机器人训练等领域的应用。

何为世界模型？它与常见的视频生成模型有何不同？其快速发展又将如何影响相关行业？科技日报记者就此采访了有关专家。

第一问：与常见视频生成模型有何区别？

“世界模型是让人工智能学习环境如何变化的一类技术。它并不对应某一种固定产品，更不等于单纯的视频生成。”赛迪研究院未来产业研究中心人工智能研究室主任钟新龙介绍。

他解释道，视频生成模型一般根据文字、图片或已有画面，生成一段符合描述的视频。世界模型进一步尝试理解物体的位置、相互关系以及动作引起的变化，使系统能够预测“采取某个动作以后，会发生什么”。这种预测可以表现为视频，也可以是三维空间、物体状态或下一步行动。

“区分两者的关键是能否随行动变化并保持前后一致。”钟新龙说，例如，让模型生成“机器人推倒桌上的杯子”，视频生成主要考察画面是否自然；如果用来训练真实机器人，就需要判断杯子会沿哪个方向移动、何时碰撞、是否会摔碎，机械臂改变力度后结果又会怎样。画面逼真只是第一步，能够在不同操作条件下给出可信的结果，才具有用于行动决策的价值。

“世界模型正在成为人工智能理解空间、预测环境变化和学习物理行动的重要技术方向，未来将在数字内容生产、机器人和自动驾驶等领域创造价值。”钟新龙说。

第二问：新技术路径将带来什么影响？

“世界模型为人工智能学习如何行动提供了新的技术路径。”钟新龙举例，人形机器人是世界模型最有潜力改变的应用之一。目前常见的视觉—语言—动作模型（VLA），能够结合摄像头画面和人类指令直接生成机器人动作。面对熟悉的任务，这种方法已有明显进展。但在抓取易碎物品等复杂场景中，机器人还需要更准确地判断接触、受力、碰撞和物体运动。世界模型可以与VLA协同，先理解当前环境与任务，预演不同操作可能出现的结果；再选择较合适的动作，执行后根据实际反馈进行调整。这有助于提高机器人在陌生场景中的作业成功率和异常处理能力。

同时，世界模型可能改变机器人的训练方式，在自动驾驶领域已出现较为具体的应用案例。今年2月，Waymo（谷歌母公司旗下的子公司）公布基于谷歌Genie 3改造的世界模型，用于生成包含摄像头和激光雷达信号的驾驶仿真场景。相同思路也有望用于工业设备调试、仓储物流、应急作业和复杂环境中的机器人训练。

此外，世界模型有望改变数字内容产业的生产方式。在游戏、影视和教育领域，设计者可以先用文字快速搭建场景，再进入其中调整镜头、人物与事件，并直接观察修改结果。这些行业对观感、互动性和制作效率的要求较高，或将更早形成规模化使用。

第三问：商业落地要解决哪些问题？

“世界模型会先形成创意工具和物理智能两类市场。”钟新龙说，面向游戏、影视、广告和三维设计行业的服务，客户愿意为更快制作内容、更方便修改和更好的互动体验付费，主要考察质量、制作时间和调用成本；面向机器人、汽车和工业设备行业的服务，则需要帮助客户减少真实测试、提高任务成功率或降低事故风险，必须证明模拟结果能够指导现实操作。

在他看来，世界模型实现商业落地，最大的技术难题是让虚拟推演真正符合现实。“现阶段模型已经能够生成非常逼真的场景，但在复杂物体接触、摩擦与受力、物体长时间保持一致以及多个主体连续交互等方面还有不足。”钟新龙介绍，虚拟机器人抓起杯子看似成功，真实机器人却可能因为杯子重量、手指接触位置或摩擦系数不同而失败。

他建议，要解决这一问题，需要把视频学习与三维几何、物理仿真、传感器和真实操作数据结合起来，并持续用实际任务校正模拟结果。“真正有价值的世界模型，是能减少现实世界中的无效试错，让人工智能更安全、更经济地完成实际工作的模型。”钟新龙说。