Google DeepMind 在 5 月 19 日的 I/O 2026 上將 Project Genie 3 連接到 Street View。user-facing surface 很小:在 Google Maps 上美國境內任何地方 drop 一個 pin,描述一個角色和一種視覺風格(「1920 年代黑色電影中的 claymation 怪獸」,「水下金門大橋中你最喜歡的動物」),Genie 3 從該 location 開始生成一個 720p 24fps 互動世界。你可以用文字指令在裡面走,天氣可以在 mid-stream 中改變,角色可以被 drop 進來。模型自回歸地運行,frame 一接 frame,以世界描述和你的動作為條件。環境保持連貫幾分鐘,你已經看過的物體的 visual memory 大約延伸一分鐘回去。存取被 gate 在 AI Ultra 每月 200 美元後面,US users 18 歲以上,Maps US locations 優先,全球 rollout 計劃中。架構沒有公開 disclosed:沒有 parameter count,沒有 training dataset 規範,沒有 benchmark numbers。承認的限制是具體的:agent action space 有限、multi-agent 互動 struggle、real-world location 保真度不完美、文字 rendering 差、連續互動 cap 在幾分鐘。

值得暫停的結構性 move 是 Genie 3 對 Street View 作為 substrate 所做的事。Street View 是捕獲的記憶:在七大洲 110 個國家近二十年間拍攝的 2800 億張照片,每一張都是一個地方在一個時刻的 sample。直到現在,Street View 是這些 samples 的 viewer。你可以看到它們,你無法走過它們。Genie 3 將 Street View imagery 作為 conditioning prior,從那裡 forward 運行一個自回歸生成連續。捕獲的照片成為一個 forward 運行的夢的邊界條件。記憶和生成成為同一類型的 substrate,具有不同的訓練目標:Street View 在那裡曾經存在的保真度上訓練,Genie 3 在接下來什麼的合理性上訓練。當你在金門大橋放一個 pin 並要求在水下看到它和魚群,你所做的是用對物理的 redirect 將捕獲記憶 prior 餵入生成連續引擎。橋來自 Street View。魚來自 Genie 3。它們之間的關係不穩定:當你走路時,Street View 中的橋變成 Genie 3 幻覺,在你一分鐘 visual memory 滾過它的那一刻 drift。

架構對它是什麼和它不是什麼很重要。以先前 frames 和動作為條件的自回歸 frame-by-frame 生成更接近於 embodied policy 如何在世界中 navigate,而不是 diffusion video model 如何產生 clip。Diffusion video 產生 fixed-length artifact。Genie 3 產生一個連續運行的序列,響應你的 input 在它到達時。這在認知意義上結構上是一個 internal world model,一個引擎,根據當前 instant 和你剛才所做的預測 next instant。它與 DeepMind 的 embodied agent SIMA 配對,在生成的環境內訓練和評估 agent policies 的事實是操作的 tell:Genie 3 是一個 substrate,在其內 agent 可以練習在現實世界中練習會太昂貴的 action policies。promptable world events(天氣變化、角色 drop-in、場景突變)是區分這與被動視訊生成的可控性 handle。你不是在 watching 世界展開,你是在 steering 它。

release 還浮現一個值得直接命名的哲學層,即使它處於被 pattern-matched 為理論的領域。實現是經驗的,數字是具體的(720p、24fps、幾分鐘 consistency、一分鐘 visual memory、2800 億 image prior、僅限 US AI Ultra subscribers)。理論的是當這樣的引擎成為消費產品時,shape 對地方、記憶和生成之間關係的暗示。地圖上的 pin 曾經意味著你可以 navigate 到的 location。現在它也可以意味著私人生成連續的 starting point。Genie 3 產生的「地方」在你停止關注它時不會持續。明天用相同的角色描述返回的同一個 pin 不會 yield 相同的世界。被生成的不是一個虛擬 location,而是 location 的一個 attended forward-running 體驗,正好錨定在 Street View imagery 中足以讓你識別 entry point,並在一分鐘記憶 horizon 之外的某個地方失去識別。release 是 gated 的,rollout 是謹慎的,受眾很小。但底層 capability 現在已經 shipped 和可見:一個在捕獲記憶 substrate 上的生成連續引擎,可被文字 steered,real-time 互動,幾分鐘 consistent。那是與我們一直 priced against 的產品不同類型的 object,agent training、基於模擬的 research、embodied AI 評估和面向消費者的生成體驗的下一階段將構建在具有這種 shape 的 objects 之上。