设想屏幕上生成了一间图书馆。你向前走，书架逐渐靠近；向左转，窗户进入视野。你把一本蓝色的书放在桌上，绕过书架，再走回来。
书还在不在原处？桌子有没有悄悄换颜色？如果你改为推倒书，而不是把它放平，后续会不会相应变化？
这是自拟的检验场景，不是对某个产品实测结果的描述。漂亮的第一帧很容易令人惊叹，连续动作之后的这些小问题，却更接近世界模型需要承担的工作。
视频继续播放，与环境响应动作有什么差别？
一段普通预生成视频，后面的画面已经由生成过程决定。观众按左键，通常不会让镜头改走左边。可交互环境则需要根据已有状态或画面，以及现在输入的动作，生成对应后续。
设想从同一图书馆入口开始，一次向左，一次向右。我们希望两次后续有与动作一致的区别，而不是把同一段漫游视频换个播放按钮。交互把生成问题从“接下来像什么”，进一步约束为“采取这个动作后，应当怎样变化”。
2024年的Genie研究用视频训练可交互环境：把画面编码成视频词元，学习表示变化的潜在动作，再由动态模型根据历史和动作预测后续。训练视频并不要求提供逐帧真实按键标签。1
具体说，训练时模型可以同时看到前后画面，尝试用少量离散动作代码概括中间变化，并让这些代码帮助预测后续。使用时，用户选择相应代码来控制生成。这里学到的动作不是天然带着“左键”“跳跃”的人类标签，也不保证与真实控制器逐项一致。
它给无动作标注的视频提供了一条进入交互建模的路径，但不能把“没有动作标签”说成“没有训练数据”，更不能说模型直接发现了适用于所有环境的物理定律。
图书馆现在会响应按键了。至于按下“向左”时究竟是你左转，还是整间图书馆配合你一起搬家，还得继续观察。
画面接得顺，不代表东西记得牢
Google DeepMind于2025年8月介绍Genie 3，展示由文本描述生成并实时探索动态环境的能力。官方发布同时列出动作范围、持续交互、地理准确性和多主体互动等方面的限制。2
为什么“转身回来”是一个好问题？因为物体离开画面之后，后续生成仍需要保留与它有关的信息。只要每一小段看起来顺畅，却在离开视野时重新抽签决定摆设，就会得到局部自然、整体不一致的环境。
在图书馆设想中，可以分开检查：蓝书短暂被遮挡后是否仍在，取走蓝书后桌面是否确实空了，换个视角是否保持大致几何关系。不同检查针对不同要求，不能凭一个成功片段推断所有方面都成立。
2026年1月，Google推出Project Genie实验原型，让用户创建和探索生成世界；当时的说明也明确指出，画面未必始终符合真实物理，控制还有局限。模型研究与具体原型的开放能力、时长限制并不完全相同。3
同年5月，官方又介绍与Street View街景影像结合的能力，让生成起点可以关联真实地点。这增加了现实参照，不等于把后续生成全部变成该地点的可靠测量记录。4
如果真实街角在生成世界里接出了一座城堡，我们可以欣赏创造力，却不能据此更新导航。生成的图书馆管理员，也不应负责告诉消防员真正的出口在哪里。
能在里面练出行动，证据就又多一层
上一章的Dreamer提醒我们，世界模型不只供人观看，还可以用于训练策略。问题从“画面是否连贯”进一步变成“模型中的经验，能否帮助完成目标任务”。
2025年的Dreamer 4论文研究在学出的世界模型中训练行动，使用高效Transformer等设计支持复杂环境预测。它在Minecraft任务中探索固定离线资料下的学习，随后在实际游戏评测中检验获得钻石的表现。5
这项结果需要带着条件阅读：论文使用包含视频、动作和事件标注的既有资料，并提供子任务条件；“离线学习”指训练时不让Agent额外与游戏交互取得新经验，不是训练和最终评价都从未接触游戏，也不是完全没有人类资料与任务设计。
设想两个仓库模型都能生成很逼真的货架。一个把碰撞预测得较对，另一个偶尔允许穿墙。在它们内部训练出来的策略，回到真实仓库之后可能表现很不一样。第二个模型可以赢得短视频点赞，却很难通过货架部门的验收。
因此，策略迁移与任务完成提供了比观感更直接的证据。但一个游戏任务上的收益，仍不能无限外推到机器人、交通或所有物理场景。环境、动作接口、训练资料和评价目标改变以后，需要新的检验。
Genie与Dreamer这两组案例回答的重点也不同：前者突出生成交互环境的能力，后者突出利用预测训练行为。它们可以接近、结合，却不是同一条榜单上只比较画质的产品。
走到这里，哪些东西真正连了起来？
回看开头那本蓝书。语言模型可以读懂“把书放回桌上”这句请求；视觉系统提供桌与书的观察；Agent组织操作；策略决定下一步动作；世界模型预测这些动作可能造成的变化。一个系统可以组合它们，但不能用其中一项的成功替其他项验收。
Transformer是一种计算架构，Agent是一种围绕目标组织行动的系统概念，世界模型描述对环境变化的建模作用。它们不在同一个分类层级。早期规则系统没有Transformer，2013年的DQN用了卷积网络，2018年的World Models用了循环预测；后来的一些交互模型采用Transformer，也不意味着所有世界模型都必须如此。1 5 6 7
同样，世界模型不是语言模型已经确定的统一继任者。语言擅长承载请求、知识和沟通，环境预测帮助比较行动后果，工具把决定落到对象上；它们可以在不同任务中分工合作。
整套系列从“研究生命起源”里怎样切出词开始，经过规则、概率、表示学习、预训练与反馈，走到可以读资料、用工具、检查结果，再走到预测与生成交互环境。贯穿其中的变化，是我们让机器利用了哪些信息、执行了哪些操作，以及用什么结果判断它做对了。
标题的答案也在这里：生成一个能走进去的世界，说明系统取得了重要的交互生成能力；是否掌握特定规律，还要看动作响应、持续一致性、未见情境中的预测，以及这些预测能否支持实际任务。漂亮的世界，是证据的起点之一。
我们终于又回到图书馆。那本蓝书是否还在桌上，比模型宣布“我理解了世界”，更值得走过去看一眼。
参考资料
- Genie: Generative Interactive Environments，Jake Bruce、Michael Dennis、Ashley Edwards等／Google DeepMind，2024。论文
- Genie 3: A new frontier for world models，Jack Parker-Holder、Shlomi Fruchter／Google DeepMind，2025-08-05。发布说明
- Project Genie: Experimenting with infinite, interactive worlds，Diego Rivas、Elliott Breece、Suz Chambers／Google，2026-01-29。原型说明
- Simulate real-world places with Project Genie and Street View，Diego Rivas、Jonathan Herbert、Nicole Segaran／Google，2026-05-19。更新说明
- Training Agents Inside of Scalable World Models，Danijar Hafner、Wilson Yan、Timothy Lillicrap，Dreamer 4，2025。论文
- World Models，David Ha、Jürgen Schmidhuber，2018。作者研究全文
- Playing Atari with Deep Reinforcement Learning，Volodymyr Mnih等，2013。论文