文字或圖片就能創造遊戲？Google 推出生成式互動環境 AI 模型「Genie」
Google DeepMind 近日推出了生成式互動環境 AI 模型 Genie，能夠透過文字或圖片提示產出互動式動畫遊戲，而無需事先在遊戲機制及運作上進行訓練。
Google DeepMind 推出生成式互動環境工具「Genie」
作為一間於 2014 年被 Google 收購的人工智慧公司，Google DeepMind 於 23 日提交的論文指出，該公司推出了生成式互動環境 AI 模型 「Genie」，能夠僅透過文字、圖片或草圖描述，便生成可控制的互動虛擬環境。
內容寫道，Genie 透過大量公開可用的網路影片進行訓練，而非依賴於特定遊戲或場景的數據，這對遊戲開發及創意娛樂等領域，具有更加廣泛的應用性：
廣告 - 內文未完請往下捲動
作為生成式 AI 的全新創舉，我們推出了生成式互動環境「Genie」，可以透過單一圖片提示產生互動式且可遊玩的環境。
什麼是 Genie？
多模型架構
首先，論文顯示，Genie 作為一個基礎世界模型，由時空影片分詞器 (Spatiotemporal video tokenizer)、自回歸動態模型 (Autoregressive dynamics model)、以及簡單且可擴展的潛在動作模型 (Scalable latent action model) 的 110 億個參數共同設定。
因此，他能夠在未給予指令的情況下，從網路上的 2D 平台遊戲及機器人技術影片中，以無監督方式進行自主訓練；同時也能藉由我們所提供的外界圖像來提示，包括現實世界的照片或草圖，生成能夠供人們控制並互動的虛擬環境。
學習重現動作並辨識可控部分
Genie 的特別之處在於，他能夠從網路影片中學習並重現遊戲角色的控制內容，即便這些影片並沒有關於正在執行之動作的標籤，他也能夠從生成的環境中，推斷出一致或多種的潛在動作。
同時，Genie 還能夠學習並辨識動作中哪些部分是能夠被控制的，並藉以產生互動式情境。
合成或現實圖片都能轉遊戲
另外，Genie 僅需一張圖片就能創造一個完整的新互動環境，首先採用文字轉影像的生成模型 Imagen 2 來產生關鍵影格 (Keyframe)，再透過 Genie 給影像賦予動態效果。
同時，Genie 也能接收從未見過的圖片提示，包括現實世界照片或簡單草圖，使人們能夠與原先無法移動的現實事物進行互動。
部落格文章寫道：
Genie 的功能讓任何人，甚至是兒童，都能夠創建並進入可控的模擬環境、或是具互動性的生成世界。
文末最後也提到 Genie 產品的遠大目標：
Genie 的應用不僅僅侷限於娛樂或創意開發，他還能夠作為訓練智慧型代理人 (Intelligent Agent) 的優秀測試平台，從而推動了 AI 領域的發展。
據悉，智慧型代理人指的是，一個能夠觀察周遭環境，並作出行動以達成目標的自主實體，這是目前 AI 研究的一個核心概念及重要目標。
Google、OpenAI 較勁意味濃厚
近幾個月來，Google 已釋出多個生成式 AI 模型的產品或資訊，包括最強 AI 顧問「Gemini」、文字轉影片生成工具「Lumiere」、以及關鍵字圖片生成工具「ImageFX」，無不吸引大眾目光。
另一方面，OpenAI 的文字轉影片工具 Sora 作為首個影片生成產品，也在幾週前引發了 AI 狂潮。
(給文字 AI 就能做電影！為什麼 OpenAI 的 Sora 能為 AI 影片生成帶來大飛躍)
然而，近期有關 Gemini 在生成圖像時涉及種族爭議，造成了母公司 Alphabet 單日 (26) 股價下跌逾 4%。
Google DeepMind 研究部門負責人 Demis Hassabis 在昨日的世界行動通訊大會 (MWC Barcelona 2024) 上則表示：
我們已將 Gemini 的該功能下架，將在未來幾週內修復問題並恢復。
