藍鯨新聞9月19日訊（記者 武靜靜）在生成式 AI 的敘事進入深水區後，業界的焦點逐漸從文本和圖像生成轉向“世界模型”。與傳統的內容生成不同，世界模型試圖讓 AI 對真實的物理環境有更完整的理解與預測能力，它不僅回答“看到的世界長什麼樣子”，還要回答“接下來世界中會發生什麼”。

生成式 AI 的下一輪競爭中，“世界模型”正在成爲各方押注的核心方向。最近，李飛飛教授團隊創立的公司 World Labs 發佈了全新產品 Marble，這是一款基於圖像到3D生成技術的升級版工具，強調在空間結構和幾何一致性上的突破。與此同時，此前，谷歌 DeepMind 發佈了其世界模型項目 Genie 3，側重交互和物理規律的推演。

圖：Marble生成的內容的一張截圖，右上角爲動態視頻中的小地圖

雖然，Marble與谷歌 DeepMind 發佈的 Genie 3 看上去都是世界模型，但是背後的技術路徑和認知則截然不同。

Marble與Genie 3，對世界模型不同技術路線的實踐

World Labs 成立於 2024 年 4 月，短短幾個月就吸引了硅谷頂級投資機構 a16z 和 Radical Ventures 的下注。資本的快速進入，本質上是對“空間智能”這一全新技術方向的認可。

Marble 目前處於測試階段，它的特點是可以通過一張圖片或一句文字，生成一個完整、可自由探索的三維虛擬世界。生成的環境不會隨時間消失或出現形變，整體保持高度的一致性和幾何連貫性。用戶進入後，可以像在遊戲裏一樣用鼠標自由遊覽。

有創作者用 Marble 搭建了一個可導航的舞臺，並在其中規劃鏡頭和場景，就像拍攝電影一樣。而 World Labs 方面則強調，Marble 不僅能生成規模更大、風格更豐富的環境，還能提供更清晰的三維幾何細節。它更適合構建舞臺、房間或廣闊的自然景觀，而不是單一的物體或角色。

在 Marble 的官網上，已經有人用它創造出奇幻的房屋、海底世界和森林地圖，看起來頗有“頭號玩家”式的沉浸感。創作者們還能對場景進行縮放、拼接和多代迭代，從而得到更復雜、更持久的世界。無論是動漫風、卡通風，還是照片級的真實畫面，它都能支持，這讓電影人、遊戲開發者和數字藝術家都可能成爲它的用戶。

資深的AI應用用戶Jason 在親自體驗了一個月 Marble AI 後表示，李飛飛教授的團隊選擇了一條與主流完全不同的路徑，去探索、“空間智能”。和 Genie3 這種強調交互、實時生成的視頻模型不同，Marble 更關注空間結構本身的合理性與關聯性。

他提到，Marble 不是實時生成的，但可以被實時探索。他用 plus 版大約十分鐘就能生成一個完整的空間環境，裏面可以前進、探索，具備物理空間結構，而不僅僅是視頻幀或深度貼圖。

不過，由於還是早期版本，Marble 生成的只是一個“世界空間的殼”，畫面精度有限，局部模糊，也缺乏光影變化或物理現象的交互。他強調，這並不是大家口中常說的“世界模型”，因爲智能更多體現在生成過程中，而非交互環節。

“它談不上顛覆，但確實展示了另一種可能性。”Jason 說。他認爲，Marble 最大的價值在於從空間維度去探索世界生成，在空間合理性和物理關聯上開了一個新口子。

與 Marble 強調空間幾何不同，谷歌 DeepMind 推出的 Genie 3 代表了另一種邏輯：它關心的是“空間裏正在發生什麼”。

Genie 3 可以通過文本提示生成動態環境，並以每秒 24 幀、720p 的分辨率運行數分鐘。它的獨特之處在於，不依賴動作標籤，而是通過視頻訓練推斷潛在的交互邏輯。例如，給它一張遊戲截圖或一幅火柴人草圖，它能自動推斷出誰是玩家角色，哪些元素可以跳躍、移動或互動。這讓 Genie 3 更像一個“交互物理模擬器”，而非幾何建模工具。

換句話說，如果 Marble 是“舞臺佈景師”，Genie 3 就是“規則設定者”。前者提供一個逼真的空間容器，後者讓容器內的角色與事件真正“活起來”。

一位AI領域資深投資人告訴藍鯨科技，一個真正完整的虛擬世界，需要兩者結合：既要有穩定連貫的空間，也要有動態交互的邏輯。如果說 Marble 提供的是“眼見爲實”的真實感，Genie 3 代表的則是“身臨其境”的互動感。

Marble 背後有 a16z 這樣的科技長期主義者，他們看重的是空間智能可能帶來的平臺化機會——未來或許可以成爲下一代虛擬環境構建工具。Genie 3 的意義則在於強化谷歌在世界模型上的前沿地位，藉此推進具身智能和通用 AI 的研究。兩家機構背後的發心不同，路徑選擇也不同，

不過他認爲，從商業化角度來看，Marble 的短期路徑更清晰，直接面向內容生產行業。而 Genie 3 則更偏科研和前沿探索，距離可規模化應用還有一定距離。

世界模型的產業化路徑

與硅谷的探索不同，中國創業公司正在嘗試讓世界模型快速落地。極佳科技就是其中的代表。極佳科技團隊曾在自動駕駛仿真領域積累多年，幫助多家車企構建虛擬測試環境。公司去年開始轉向具身智能領域。他們發佈了基於世界模型訓練的 VLA（視覺-語言-動作模型）—— GigaBrain，其世界模型平臺 GigaWorld 也將在近期上線，提供更開放的仿真環境。

極佳科技聯合創始人朱政指出，不同領域對“世界模型”的定義差異很大：在 計算機視覺（CV） 領域，研究者更關注視頻生成與畫面一致性；在 強化學習（RL） 領域，重點是爲 agent 提供一個足夠逼真的環境，以便進行動作決策；在 具身智能 方向，則強調如何讓機器人通過世界模型理解環境、執行任務。

“無論哪種定義，核心價值都在於預測未來。”他解釋說，“給定一個動作序列，世界模型需要告訴我們環境會如何變化。這種預測能力可以應用於文生視頻、自動駕駛，也可以體現在機器人動作規劃中。”

在他的規劃中，世界模型的產業化大致經歷三個階段：數據生成階段：用世界模型擴展訓練數據，降低真實採集成本；仿真階段：爲智能體提供閉環仿真環境，提高訓練效率；智能進化階段：最終成爲下一代 VLA，具備推理與行動能力，成爲通用智能的核心。

相比谷歌等大廠的科研導向，中國創業公司的優勢在於“貼近場景”。自動駕駛、工業仿真、VR 內容生產，這些應用都有明確的市場需求。世界模型可以在這些場景中直接發揮價值，從而更快地形成商業閉環。

不過，挑戰同樣存在，生成和訓練世界模型需要極大算力，創業公司難以長期獨立承擔；此外，目前行業對世界模型沒有統一標準，不同技術路線之間缺乏可比性。