2024 年 12 月 AI 新闻：Genie 2、世界模型、MCP 与新产品

这期 2024 年 12 月的新闻综述涵盖生成世界与视频、语音智能体、开放权重的推理模型、分布式训练，以及连接 AI 工具的新协议。这些都是历史公告和演示：产品可用性、价格与能力可能已经变化。

[Google DeepMind 的 Genie 2](https://deepmind.google/blog/genie-2-a-large-scale-foundation-world-model/) 从一张提示图片生成可通过动作控制的环境，其用途之一是训练和评估具身智能体。人或 AI 智能体可以使用键盘和鼠标输入。DeepMind 展示了最长一分钟的研究示例；这些片段是演示，并非已完整发布的商业游戏。

示例中，机器人在森林、沙漠等场景里响应前进、侧移和跳跃控制。一艘船从水面驶到沙地时，表现出不同的反应。我觉得这些行为令人印象深刻，但演示中看起来合理，并不能证明它是一套通用或物理上精确的模拟。

DeepMind 还描述了“长时程记忆”：场景的一部分离开画面后，视角回到那里时可以重新出现。示例包括角色在景观和金字塔周围移动。这让我想起早期 Sora 视频中被遮挡的物体重新出现的情况，但选定片段中的一致性不能保证所有情况下都能完美记忆。

视频包含 Build Your Store AI 的付费赞助。我展示了它提出的 Shopify 店铺设置流程，并提到前三个月每月 1 美元的促销价格；该优惠属于历史信息，创建店铺也不能保证商业成功。

更多 Genie 2 演示包括城镇、赛车场景、武士击破气球和油桶爆炸。一个爬梯子的角色看起来能够协调手脚。这些是针对动作生成的视觉反应，并不能证明系统拥有传统游戏引擎或能可靠模拟物理规律。

我还观察了烟雾、火把照亮地牢，以及根据真实图片或概念画生成的场景。吸引人之处在于，不必手工制作每项素材，就能立即探索一个想法。该模型是研究演示，而我预测它将改变游戏，是一种期待，并非已确定的结果。

由 Fei-Fei Li 和同事创立的 World Labs 展示了不同方法：从一张图片生成可漫游的 3D 场景。该公司提供了可在浏览器中互动的示例，而我展示的 Genie 2 示例是视频。我觉得前者没那么像游戏，但仍然很有趣。

World Labs 解释说，明确的 3D 场景在镜头移开又返回时可以保持其结构；深度图则把距镜头的距离可视化。示例还展示了改变光照，以及呈现输入图片周围更多的场景。它与视频生成的区别在于场景表示方式，并不能证明它完美遵循现实物理规律。

我尝试了 World Labs 的浏览器演示。用户可以向不同方向环顾，但移动范围很小，走到一定距离就会碰到边界。这个限制很重要：目前提供的是可漫游演示，而不是完全开放、可互动的游戏世界。

ElevenLabs 推出用于构建语音智能体的 Conversational AI。其宣传演示介绍了低延迟对话、可配置声音、知识库、可选语言模型、对话分析，以及通过网站或 SDK 部署。订单状态与退款示例展示的是设想中的用途，不能独立证明生产环境中的性能或安全性。

我将这项服务与 OpenAI 的 Advanced Voice Mode 作比较，并推测 ElevenLabs 可能通过语音转录、语言模型和语音生成来处理音频。这是我对架构和延迟的理解，并非经过测量的正面对比。针对具体用途，值得测试可用的模型集成和对声音线索的响应能力。

ElevenLabs 还在 ElevenReader iOS 应用中推出 GenFM，可将 PDF、文章、电子书、链接和文本等来源生成播客式音频。演示中的合成主持人讨论了灰姑娘、原子理论和一道食谱。该公司当时宣传支持 32 种语言。

Tencent 发布了 HunyuanVideo，提供可下载的模型权重和代码，用于根据文本生成视频。我观看了未来风格人物、骑自行车的熊猫，以及液体或泥浆等短片。虽然视觉运动令人印象深刻，有些人脸仍显得不自然。[Tencent 的代码仓库](https://github.com/Tencent-Hunyuan/HunyuanVideo)提供了该发布版本；其社区许可证包含条件和地域限制，因此可下载权重并不意味着可以无限制使用。

许多示例片段只有几秒钟。生成更长的视频可能需要更多算力和时间，精心挑选的样例也不能证明每条提示都能得到同样好的结果。我提到另一份关于 Mochi 的教程，也邀请观众提出是否需要 HunyuanVideo 教程。

Qwen 团队发布了 [QwQ-32B-Preview](https://qwenlm.github.io/blog/qwq-32b-preview/)，这是一款可下载权重的实验性 320 亿参数推理模型。开发者表示，它可能混用语言、陷入递归推理循环，并需要额外安全措施；他们还指出它在常识推理和细微语言理解方面存在不足。

团队的基准图表在 AIME、GPQA、MATH-500 和 LiveCodeBench 上，将该预览版与 OpenAI 的 o1-preview 作比较。Berman 指出厂商报告表格中的不同胜负；结果取决于评测设置，不能证明某个模型全面胜出。展示的算术题在答案前给出了很长的可见推理过程，这与 o1-preview 隐藏推理过程的做法不同。

Prime Intellect 的 INTELLECT-1 探索了在地理位置分散的机器上训练 100 亿参数模型。发布内容包括模型检查点、训练框架和技术文档。我认为这可能让开放社区汇集资源，而不必完全依赖某一家公司的数据中心。

我自己的两张 RTX A6000 GPU 常常闲置，因此我设想可以向这样的项目贡献一部分算力。这是关于扩大参与的愿景，并不是说任意闲置消费级机器已经可以在没有协调、成本或网络限制的情况下训练前沿模型。这个 100 亿参数的例子展示了一次具体的分布式训练，并不意味着数据中心已经过时。

Anthropic 宣布推出 [Model Context Protocol](https://www.anthropic.com/news/model-context-protocol)，这是一项连接 AI 应用、数据源和工具的开放标准。开发者可以通过 MCP 服务器提供数据，让应用通过客户端连接；初始发布包括规范、SDK，以及 Google Drive、Slack、GitHub、Git、Postgres 和 Puppeteer 的示例。

我认为标准化连接是向能够操作数字系统的智能体转变的一部分。MCP 提供共同接口，但不会自动保证安全或普遍访问：权限、信任和具体实现仍然重要。我的长期观点是，智能体可能按需组装界面，改变软件企业的运作方式。

例如，我推测，如果智能体能够读取数据并生成用户需要的界面，主要作为数据库上层用户界面的产品可能面临冲击。我以 Salesforce 为例，认为这种转变可能需要五到十年。这是一项预测，并不是现有应用将消失的证据。

Google 的 GenChess 是一个有趣的实验，可以创建主题国际象棋棋子。看过冰淇淋示例后，我尝试生成一套机器人主题棋子，并展示用户可以查看和编辑不同版本。作为棋迷，我很喜欢定制游戏外观的想法。

Runway 推出了图像生成模型 Frames，宣传重点是视觉保真度和风格一致性。我观看了具有电影、唱片封面、自然和一次性相机美学的示例。这些精选样例让我觉得很出色，但主观印象和公司的宣传并不是独立基准测试。

AWS 在 Bedrock 上推出了 Amazon Nova 模型。在[最初的公告](https://aws.amazon.com/blogs/aws/introducing-amazon-nova-frontier-intelligence-and-industry-leading-price-performance/)中，Micro 是上下文长度为 12.8 万 token 的纯文本模型；Lite 可以处理文本、图像和视频，最多支持 30 万输入 token 和 30 分钟视频；Pro 是更大的多模态选项。这些是发布时的描述。

AWS 当时表示，Nova Premier 仍在训练中，目标是在 2025 年初推出。这个预测不是对当前可用性的说明。我欢迎市场上出现新的模型系列，同时将 Amazon 关于性价比的说法视为其自身主张，而非经过验证、适用于所有情况的比较。

Anthropic 还宣布 Amazon 追加投资 40 亿美元，并深化与 AWS 的云服务和训练合作。合作包括 Trainium 硬件和 Neuron 软件栈方面的工作。这个投资数字指的是 2024 年的那次公告，并不代表两家公司此后所有年份的完整合作情况。

最后，Sam Altman 预告了“12 Days of OpenAI”，将在工作日通过直播发布产品或展示演示。录制视频时，我还不知道具体会宣布什么，因此期待后续关注，而不预测其内容。