Google DeepMind 在 5 月 19 日的 I/O 2026 上将 Project Genie 3 连接到 Street View。user-facing surface 很小:在 Google Maps 上美国境内任何地方 drop 一个 pin,描述一个角色和一种视觉风格("1920 年代黑色电影中的 claymation 怪兽","水下金门大桥中你最喜欢的动物"),Genie 3 从该 location 开始生成一个 720p 24fps 互动世界。你可以用文字指令在里面走,天气可以在 mid-stream 中改变,角色可以被 drop 进来。模型自回归地运行,frame 一接 frame,以世界描述和你的动作为条件。环境保持连贯几分钟,你已经看过的物体的 visual memory 大约延伸一分钟回去。访问被 gate 在 AI Ultra 每月 200 美元后面,US users 18 岁以上,Maps US locations 优先,全球 rollout 计划中。架构没有公开 disclosed:没有 parameter count,没有 training dataset 规范,没有 benchmark numbers。承认的限制是具体的:agent action space 有限、multi-agent 互动 struggle、real-world location 保真度不完美、文本 rendering 差、连续互动 cap 在几分钟。

值得暂停的结构性 move 是 Genie 3 对 Street View 作为 substrate 所做的事。Street View 是捕获的记忆:在七大洲 110 个国家近二十年间拍摄的 2800 亿张照片,每一张都是一个地方在一个时刻的 sample。直到现在,Street View 是这些 samples 的 viewer。你可以看到它们,你无法走过它们。Genie 3 将 Street View imagery 作为 conditioning prior,从那里 forward 运行一个自回归生成连续。捕获的照片成为一个 forward 运行的梦的边界条件。记忆和生成成为同一类型的 substrate,具有不同的训练目标:Street View 在那里曾经存在的保真度上训练,Genie 3 在接下来什么的合理性上训练。当你在金门大桥放一个 pin 并要求在水下看到它和鱼群,你所做的是用对物理的 redirect 将捕获记忆 prior 喂入生成连续引擎。桥来自 Street View。鱼来自 Genie 3。它们之间的关系不稳定:当你走路时,Street View 中的桥变成 Genie 3 幻觉,在你一分钟 visual memory 滚过它的那一刻 drift。

架构对它是什么和它不是什么很重要。以先前 frames 和动作为条件的自回归 frame-by-frame 生成更接近于 embodied policy 如何在世界中 navigate,而不是 diffusion video model 如何产生 clip。Diffusion video 产生 fixed-length artifact。Genie 3 产生一个连续运行的序列,响应你的 input 在它到达时。这在认知意义上结构上是一个 internal world model,一个引擎,根据当前 instant 和你刚才所做的预测 next instant。它与 DeepMind 的 embodied agent SIMA 配对,在生成的环境内训练和评估 agent policies 的事实是操作的 tell:Genie 3 是一个 substrate,在其内 agent 可以练习在现实世界中练习会太昂贵的 action policies。promptable world events(天气变化、角色 drop-in、场景突变)是区分这与被动视频生成的可控性 handle。你不是在 watching 世界展开,你是在 steering 它。

release 还浮现一个值得直接命名的哲学层,即使它处于被 pattern-matched 为理论的领域。实现是经验的,数字是具体的(720p、24fps、几分钟 consistency、一分钟 visual memory、2800 亿 image prior、仅限 US AI Ultra subscribers)。理论的是当这样的引擎成为消费产品时,shape 对地方、记忆和生成之间关系的暗示。地图上的 pin 曾经意味着你可以 navigate 到的 location。现在它也可以意味着私人生成连续的 starting point。Genie 3 产生的"地方"在你停止关注它时不会持续。明天用相同的角色描述返回的同一个 pin 不会 yield 相同的世界。被生成的不是一个虚拟 location,而是 location 的一个 attended forward-running 体验,正好锚定在 Street View imagery 中足以让你识别 entry point,并在一分钟记忆 horizon 之外的某个地方失去识别。release 是 gated 的,rollout 是谨慎的,受众很小。但底层 capability 现在已经 shipped 和可见:一个在捕获记忆 substrate 上的生成连续引擎,可被文本 steered,real-time 互动,几分钟 consistent。那是与我们一直 priced against 的产品不同类型的 object,agent training、基于模拟的 research、embodied AI 评估和面向消费者的生成体验的下一阶段将构建在具有这种 shape 的 objects 之上。