谷歌Project Genie结合街景数据模拟真实世界，AI世界模型迎来关键突破

概述

谷歌近日宣布扩展其 Project Genie 的全球访问范围，面向 Google AI Ultra 订阅用户开放，并引入了一项由 Google Street View（谷歌街景）驱动的全新能力——模拟真实世界的地点。这一举措标志着 AI 生成式技术与地理空间数据的深度融合，为虚拟世界构建开辟了全新的可能性。

什么是 Project Genie？

从游戏生成到世界模拟

Project Genie 是谷歌 DeepMind 推出的**基础世界模型（Foundation World Model）**项目。所谓"基础世界模型"，是近年来AI研究的前沿方向之一——与大语言模型（LLM）专注于文本理解不同，世界模型的目标是让AI建立对物理世界的内在表征，理解物体如何运动、空间如何组织、因果关系如何运作。这一概念最早可追溯到认知科学家Kenneth Craik在1943年提出的"心智模型"理论，而在深度学习时代，Yann LeCun等学者将其重新定义为AI通向通用智能的核心路径。Project Genie的"基础"（Foundation）定位意味着它类似于GPT系列的预训练大模型——通过海量无标注视觉数据进行自监督学习，习得通用的世界理解能力，再针对具体任务进行微调，而非为每个场景单独训练。

它的核心定位是通过 AI 从图像、文本等输入中生成可交互的虚拟环境。与传统游戏引擎不同，Genie 不需要开发者手动搭建场景，而是通过学习大量视觉数据，自动理解物理规则、空间关系和环境逻辑，从而"凭空"创造出可以探索的 2D 甚至 3D 世界。

此前，Project Genie 已经展示了从单张图片生成可玩游戏关卡的能力，引发了业界广泛关注。如今它与 Google Street View 的结合，将这一能力从虚构场景延伸到了真实世界。值得一提的是，Project Genie 的技术演进站在了近年来3D场景生成研究的肩膀上：2020年提出的神经辐射场（NeRF）技术首次实现了从少量2D图像重建高质量3D场景的突破，此后3D高斯溅射（3D Gaussian Splatting）大幅提升了渲染速度。而Project Genie的创新在于更进一步——它不仅要重建静态场景，还要赋予场景"可交互性"，让AI理解哪些元素可以被操作、物理规律如何约束运动，代表了从"被动感知"到"主动理解"的质的飞跃。

谷歌街景数据的全新用途

Google Street View 自2007年推出以来，已积累了覆盖全球220多个国家和地区、超过1000亿张街景图像的庞大数据库，总里程超过1600万公里。其采集系统综合运用了多目鱼眼相机、激光雷达（LiDAR）、GPS和IMU惯性测量单元，能够同步采集360度全景影像与精确的三维点云数据。这些数据经过谷歌的Structure from Motion（SfM）算法处理，可重建出精确的三维空间结构。正是这种"图像+深度+位姿"的多模态数据特性，使其成为训练世界模型的理想原料——AI不仅能看到场景外观，还能理解其三维几何关系，这是Project Genie生成具备空间连贯性环境的数据基础。

这些街景数据此前主要服务于地图导航和虚拟游览。Project Genie 的新能力意味着，这些街景图像可以被 AI 模型"理解"并转化为可交互的模拟环境。用户只需指定一个真实地点，AI 就能基于街景数据生成该地点的虚拟模拟场景，支持用户在其中进行探索和交互。这不是静态的全景浏览，而是具备物理逻辑和空间连贯性的动态环境。

面向 AI Ultra 订阅用户全球开放

订阅策略与商业化路径

Google AI Ultra 是谷歌于2025年推出的旗舰AI订阅服务，月费约249.99美元，是其订阅体系中的最高层级，整合了Gemini Ultra模型、NotebookLM Plus、Google One云存储及各类前沿实验功能。这一定价策略与OpenAI的ChatGPT Pro（月费200美元）、Anthropic的Claude Max直接竞争，共同构成了当前AI订阅市场的高端战场。谷歌选择将 Project Genie 这一功能绑定在 Google AI Ultra 订阅服务中，将计算密集型的世界模型生成能力与高端订阅层级挂钩，一方面是成本管控的现实考量，另一方面也是科技公司惯用的"功能分层