昨天，Google 的一位开发负责人和 DeepMind CEO Demis Hassabis 进行了一场对谈。

视频地址：https://www.youtube.com/watch?v=njDochQ2zHs

整个访谈信息量很大，既聊到了 AGI 的进展、AI 需要具备的能力，也重点提到了不久前发布的 Genie 3 ——一个 100% 可控的实时 AI 世界引擎。

很多人可能只看过它的视频 demo，觉得这不过是 Google 做了个高端的视频生成器。

但其实，Genie 3 背后藏着的是一个目前最值得被认真讨论的概念：「世界模型（World Model）」。

我们今天就想借着这次访谈，来跟你聊聊一个你可能从来没仔细想过的问题：

一个 AI 如果不理解这个世界，它还能算智能吗？

Genie，不只是视频生成器

回答这个问题前，我们先来真正的认识一下 Genie 系列。

Genie 这个名字不是最近才有的。早在 2024 年，DeepMind 就发布了第一代 Genie，它的主打口号是「用视频训练 AI 来理解世界」。

那时候它的能力很有限，只能根据用户输入的图像或语义，生成十几秒钟的视频片段。质量也比较糙，帧率低、画面模糊，有时候人物动作还会扭曲成一团，和我们平常用 Midjourney 做图、用 Runway 做视频的那种差不了多少。

但 DeepMind 当时的野心其实藏得很深。他们是拿这些视频当教材，想让 AI 从中学会物理规律、空间动态和因果关系。就像小孩看动画片能学到“水是会流的”“人摔倒了要起身”。

到了 Genie 2，已经能生成更连贯的 3D 环境了。

比如一个人在屋子里走路、滑雪、翻滚……但互动很有限，大多数时候你只能看着 AI 演一小段短片。你也不能插手、不能下指令，它就是个自动播放的窗口。而且，记忆是断裂的：如果你刚刚看到了一个红色滑雪板，下一帧它可能直接变成了绿色；一个物体刚刚出现在你左边，过了两秒它可能凭空消失。

所以从实用性上讲，Genie 1 和 2 更像是一种概念证明：我们能用视频教 AI“梦见”一个世界，但它还无法维持住梦的连贯性。

而到了 Genie 3，情况彻底变了。

它不但画面提升到了 720p 的清晰度，还能稳定地以 24FPS 的速率实时生成画面。

这是什么概念？就是说你在 AI 生成的世界里每走一步，它都能立刻刷新你眼前的场景，没有顿挫、没有卡顿，就像在玩一款开放世界游戏。但你别忘了，这是 AI 实时创造的。

来看下和 genie2 的对比：

不仅如此，Genie 3 还首次引入了「提示式世界事件」（Promptable World Events）机制。你不只是能走动、能看，你还可以实时地给它下剧情指令。

从控制方式来看，Genie 3 也不再是看视频这么简单，而是真正支持第一人称视角导航和实时互动，在世界中生活。

你想把一段山林小径变成 AI 的世界？给一句 prompt：

“在冰川湖畔奔跑，穿行于林中分岔小径，跨越流淌的山间溪流。坐落在美丽的白雪皑皑的群山和松林之间。丰富的野生动物使旅程充满乐趣。”

Genie 3 会立刻为你生成这样一个环境。你可以进到这个场景里，看到水流怎么绕着石头走、鸟怎么飞、天光怎么洒下来。

再比如说生成一个飓风现场：

Genie 3 把它变成一整个可交互的三维环境。你可以置身其中，用第一人称视角看着海浪一波波打到公路上，棕榈树在风中剧烈摇摆。

好真实。。

这也解释了为什么 Demis Hassabis 在访谈里会多次强调，“Genie 是我们在模拟世界理解这件事上最重要的一步”，是 DeepMind 从 AlphaGo 一路走来，最想实现的梦想之一。“能生成一个世界”，本身就是对 AI 是否理解世界的最好测试。

而 Genie 3 通过每一帧想出来的细节，给了一个前所未有的答案。

为什么世界模型进展比大语言模型慢？

但看到这儿你可能会有个疑问：

为什么类似 GPT 的大语言模型更新一代比一代快，厂牌也越来越多，而世界模型似乎从未走进大众视野，始终只有几家在孤独地推进？

要理解这个问题，不妨先问自己：训练一个 AI 学会“说话”，和让它“理解世界”，哪个更难？

语言模型这些年突飞猛进，很大一部分，是因为它自带“开挂”：一是数据多，二是成本低。

互联网上几十 TB 的文本语料随便爬，公众号文章、小说、维基百科、知乎、Reddit……人类已经把世界用语言描绘得密密麻麻。

更核心的点在于，语言本质上是一维序列，训练方式也很“直给”——一句话接一句话，预测下一个词就行，成本低、效率高。

可世界模型呢？

它要做是预测下一个世界。

数据问题：世界模型吃的是“视频 + 物理 + 因果”，哪有那么多现成的？

你要训练 AI“理解世界”，靠纯文本没戏。
它需要的是图像、视频、动作轨迹、物理动态、空间结构、因果链条……这些信息不但数据量大，而且高度复杂。

比如一帧高清图像，相当于几万个 token，一段视频可能就是上百万 token；而且它还涉及时序、空间一致性、甚至角色之间的交互与反馈，你得把世界一帧一帧讲清楚。

关键是，这些数据哪来的？

不像语言模型能爬网页，世界模型得靠自己造：

DeepMind 用 Minecraft 自己合成环境

Meta 从机器人采集第一人称视频

英伟达的 Cosmos 模型背后，是千万小时的车载视频 +LiDAR+ 深度图 + 边缘图 + 多模态标签…

而哪怕你搞到了数据，还得经历： 拆分 → 去噪 → 注释 → 去重 → 分词 → 空间结构 → 跨模态对齐 → token 压缩…

NVIDIA 就指出，哪怕只训练一个 720p 的 5 秒视频模型，也要 PB 级视频 + 百万美元级别 GPU 资源，初创公司基本连门都摸不到。

算法挑战：不是一句话接一句话，而是物理世界不能出 bug

语言模型的任务是生成“合理的句子”。哪怕它胡说八道点，只要读起来通顺，你可能都没发现。

但世界模型不是这样。它必须做到因果成立、物理合理、空间连续。  比如：

一个杯子从桌上掉下去，不能下一帧就消失了；

一辆车拐了弯，必须维持方向，不能突然漂移上天；

一个角色说“我要出门”，下秒不能直接出现在山顶…

也就是说，它不仅要生成内容，还得维持这个世界的逻辑闭环。而要做到这点，模型内部得构建一个完整的“模拟器”，能预测结果、想象未来、评估路径、对未知场景做出合理回应——

这背后的计算复杂度，是语言模型的 指数级上升。

就像 DreamerV3，为了让 AI 在脑海中模拟 Minecraft 场景，得在每一帧里，预测图像、奖励、是否终止、行为反馈，每一项都连着下一步，出错一步，全盘崩塌。

架构难题：你不能只堆参数，你得造一个“小宇宙”

语言模型的进展，很大程度上得益于 Transformer 架构和算力砸下去：上下文窗口越来越大，模型越来越深。

但世界模型呢？

你不能靠堆 transformer 就解决问题，因为它面临的是更复杂的问题：

既要看图像，又要预测运动

既要记住过去，还要能推演未来

既要生成细节，又要逻辑连贯

还得考虑“动作—反馈—后果”的因果链条

所以，不同公司都在尝试自己的混合架构：  DeepMind 的 DreamerV3 用的是循环状态空间模型（RSSM）

NVIDIA 的 Cosmos-Reason1 用的是 Mamba + MLP + Transformer 混合体

Meta 的 NWM 用的是 CDiT，一种能减少 FLOPs 的条件扩散网络

我们可以说，GPT 的成功来自「压缩」：把全人类写下来的语言压缩成一个预测器。

而世界模型的成功，得靠「建构」：从视觉、动作、因果里，搭建出一个有逻辑可循的小宇宙。

这就像一个是抄书抄到极致，另一个是自己写小说还得设定世界观。哪个更难，一目了然。

说到底，世界模型这么难做，为什么还要做？

因为它是我们离 AGI 最近的一条路。甚至可以说，如果没有世界模型，就不可能有真正意义上的通用人工智能。

人类认知的根基，从来不是语言，而是经验。语言是我们记录世界的方式，而不是感知世界的方式。

Jürgen Schmidhuber 很早就指出：一个具身智能体若想有效学习，必须在脑海中构建出环境的“内部模型”——这个模型就是所谓的 world model。借助它，智能体可以在没有真实交互成本的情况下，在想象中进行“行动—反馈—更新”闭环，从而像人类一样，在梦中学习、在梦中试错、在梦中总结出通用策略。

这一观点，在 2018 年的《World Models》论文中首次被系统验证。他们训练一个生成式 RNN 去模拟游戏场景，然后在这个模拟出来的世界中训练控制策略。最后，这个只在“梦中”练习过的策略，居然可以在真实游戏环境中直接上场，完成任务。证明了世界模型不仅“像人话”，而且“顶用”。

Yann LeCun 同样把世界模型放在核心地位。他曾公开强调：“没有对世界的建模，AI 就无法进行真正的推理。”LeCun 提出的 JEPA（Joint Embedding Predictive Architecture）尝试跳出像素层面的建模，转向预测隐藏状态的抽象表示，强调的是“预测未来潜在表征”的能力，而非逐像素生成。这种思路与人类认知极为相似——我们并不是逐帧还原画面，而是基于抽象模型推测世界会如何演化。

今天我们聊的 Genie 3 也继承了这种观念。它可以预测某个动作将如何影响场景、可以回忆之前帧的状态来确保逻辑一致性——这些能力正是世界模型的核心。

语言模型（如 GPT-5）虽然能生成条理清晰的文字，但终究只能在“语言的世界”里活动。它们对重力、摩擦、遮挡、空间关系等知识，都是靠语言语料“猜”出来的。而世界模型的目标，是让 AI 在脑中建立一个物理上可信的现实模型。

你可以感知一下两种 AI：

一个是只能背《骑车技巧大全》的 GPT，它可以告诉你“骑车要掌握平衡”“拐弯要减速”，但它自己从未骑过。

另一个是在沙盒世界里骑了上千小时虚拟自行车的 Genie 3，即使它不会写出一句“优雅”的教学文本，它也能精准地避开障碍、掌握重心、实时调整策略。

AGI 要的，是后者。

如果语言模型是大脑的“逻辑中枢”，那世界模型就是 AI 的“运动皮层”与“感觉神经”。没有这些组成部分，AGI 只能停留在嘴皮子功夫。

而且，世界模型不只是为了建一个“看起来像世界”的模拟器，而是为了给智能体提供「行为试错」的空间。它是智能体意识的投影空间，是规划与预演的底座，是让智能体能够脱离人类提示、自主做出策略选择的前提。

语言模型能计划，但无法验证计划是否可行。世界模型可以在脑中试运行每个 plan 的分支，挑出最优路径。

这就是为什么所有追求通用智能的研究团队，最终都会走到世界模型这条路上。

写在最后

所以，我们还是得回到那个最开始的问题：

一个 AI 如果不理解这个世界，它还能算智能吗？

Genie 3 给出的答案是：不能。

至少，不能算真正的智能。

你当然可以让语言模型模仿一个“聪明人”的样子。它能考满分、能讲道理、能写得头头是道。但它的“聪明”，就像一个从没出过门、靠听别人描述来理解世界的孩子。你和它说“地震来了”，它想象的是文字，不是晃动的地面；你说“风吹过树叶”，它浮现的是词组，不是沙沙的响声。

而 Genie 3，是第一批试图让 AI “走出门去看世界”的模型。这种能力，可能远没有语言模型那样能说会道，但它代表着智能真正的底色。

就像人类不是因为能说话才变得聪明，而是因为从小就摔过跤、烧过水、淋过雨、被风吹过，在这些一次次身体记忆中，我们才逐渐理解了这个世界。理解世界，才有后来的思考与表达。

所以，真正的智能，必须先从感知这个世界开始。