一分鐘生成開放世界，實(shí)時(shí)交互僅1秒延遲：國產(chǎn)開源世界模型全球爆火

一句話做游戲的時(shí)代？

文/林致

葡萄君最近試玩了一個新品。在一個賽博朋克風(fēng)格的世界里，我扮演一個巫師，揮動法杖，十幾顆紅色火球砸向街心，再抬抬手，幾道藍(lán)色電流就劈出去。

如果我想，我甚至還能將遠(yuǎn)處的車掀起來，凌空甩出去。

整個過程體驗(yàn)絲滑，輪番放出的技能也很帶勁，但這不是什么新游戲，它其實(shí)是螞蟻靈波開源的世界模型（LingBot-World-Infinity）生成的游戲片段。

剛剛所有的玩法設(shè)計(jì)都是幾分鐘內(nèi)編造的，包括這個世界的設(shè)定、巫師所放出的技能、技能會有什么效果。當(dāng)我按下綁定了「事件」的按鈕，屏幕中的世界就會迅速作出反應(yīng)。這些不受場景影響，可以多次使用的「事件」，體驗(yàn)上已經(jīng)和游戲的「技能」沒什么差異了。

是的，世界模型，這個近兩年里被反復(fù)討論，甚至一度讓眾多游戲從業(yè)者感到焦慮，擔(dān)心自己被AI徹底替代的技術(shù)，又有新變化了。最近螞蟻靈波登上X科技熱榜，在Reddit也引起了開發(fā)者熱議。

螞蟻靈波的世界模型引發(fā)熱議，或許不難理解。畢竟，以前聊世界模型，很多人在意的是AI能否實(shí)時(shí)生成自然合理的世界，而螞蟻靈波已經(jīng)把問題拓展到了「你在AI世界里能怎么玩」的地步。

01

世界模型的那道線

螞蟻靈波真正跨過的那道線，是交互能不能像玩游戲一樣，被反復(fù)地操作。

這要從它的輸入說起。你給的它是這三樣?xùn)|西：一張初始圖、一段描述，外加一組你自己定義的按鈕。也就是說，你配置的是一套可玩的法則，包括世界長什么樣，以及你按下每個鍵會發(fā)生什么。

先說最基礎(chǔ)交互，它能被實(shí)時(shí)操控。

以賽車游戲?yàn)槔憧梢杂肳ASD操控行動，視角也能隨實(shí)時(shí)微調(diào)，以至于在擦碰的瞬間，你甚至?xí)幸稽c(diǎn)心頭一緊的驚險(xiǎn)感。

這個體驗(yàn)聽起來平平無奇，不就是開個車嗎？但關(guān)鍵在于，畫面里的每一幀，都是在你按下鍵的那一刻被實(shí)時(shí)生成出來的。你選擇車往哪個方向開，世界就往哪個方向生成。

下面騎龍飛行的案例也是同樣的道理。第一人稱騎龍飛行穿過叢林，你可以隨意地偏轉(zhuǎn)路線，甚至還能時(shí)不時(shí)吐點(diǎn)火焰，看起來有點(diǎn)像《雙影奇境》里那段奇幻世界的飛行關(guān)卡。

再往上一層，交互開始像游戲里的技能，可以被反復(fù)觸發(fā)。

交互按鈕綁定的可以是一個事件，比如一群鳥飛過、驟雨落下；可以是一個角色動作，比如放火球、召喚生物；也可以是裝備切換，比如拔出一把槍、換成一把刀。

這樣說可能有些抽象，咱們還是拿具體生成案例來看。

在下圖中這個陰暗的地下室場景中，會出現(xiàn)各種隨機(jī)怪物，而按鍵綁定的事件包括開、關(guān)手電筒。遇到個別怪物時(shí)，你需要關(guān)閉手電筒，才能一路后退尋找安全區(qū)；但大多情況下，你需要打開手電筒查看周圍環(huán)境，而這時(shí)或許突然會有一只怪物跳臉……反復(fù)開關(guān)手電筒帶來的視覺信息差，結(jié)合隨機(jī)出現(xiàn)的怪物，這儼然已經(jīng)有了恐怖游戲的氛圍。

正是可以反復(fù)觸發(fā)這一點(diǎn)，把世界模型真正推進(jìn)到了穩(wěn)定進(jìn)行游戲輸入的水平，這也恰恰是游戲區(qū)別于視頻最本質(zhì)的地方。

順帶一提，這種綁定并不只限于炫目的法術(shù)或者武器。

我也嘗試了戀愛視角玩法。在這段視頻中，角色輕撫她的頭發(fā)，或者深情地注視你，再或者點(diǎn)燃一支蠟燭，這些都是靠綁定事件觸發(fā)的。

第三層，你的交互不只是被響應(yīng)，它會真正地改變這個世界。

這一步很容易被忽略，卻是世界二字的分量所在。

在螞蟻靈波生成的世界中，火焰掃過草地，草會真的被灼燒；雨水落下，田野會隨之變得濕潤。

這意味著，這個世界并非一塊安靜的背景板，當(dāng)你行動時(shí)，整個世界都會對你的行為作出回應(yīng)。

而最后一層，也是最微妙的一層：這個世界并不等你來命令，它自己就可以運(yùn)轉(zhuǎn)。

就算你什么都不按，這個世界也會按照自己的邏輯繼續(xù)變化。這背后是一個內(nèi)置的Agent在起作用，它能讀懂你給的圖和描述，甚至替你把內(nèi)容補(bǔ)齊。

在生成世界時(shí)，除了用戶自己寫的事件prompt，內(nèi)置的Agent還會主動提出兩三個符合這個世界邏輯的交互事件，比如中世紀(jì)背景的騎士故事里可以有渡鴉飛過，茫茫的草原的晴天可以迎來輝煌的日落，親密的戀愛場景對方可以舉起酒杯跟你碰杯……這意味著靈波并非完全按照prompt，而是會根據(jù)玩家設(shè)計(jì)的世界制造一些「驚喜」。

把這四層結(jié)合起來看：能操控、能施放可復(fù)現(xiàn)的技能、能改變世界、世界還會自己運(yùn)轉(zhuǎn)……你會發(fā)現(xiàn)，一定意義上，靈波已經(jīng)能生成一個非常原始、但確確實(shí)實(shí)能玩的游戲雛形了。

02

放到更大的范圍內(nèi)去看它

看懂了螞蟻靈波能做什么，你可能會有疑問，那它和這兩年滿天飛的視頻模型，到底是不是一回事？

答案是否定的。而兩者的分野，并不在很多人第一眼會注意到的畫面清晰度上。實(shí)話說，論精致和穩(wěn)定，世界模型比視頻模型還差得不少。真正讓它們分道揚(yáng)鑣的，是背后一組根本不同的技術(shù)選擇。

視頻模型的做法，大體是先把一整段畫面在后臺渲染好，再一次性播給你看，你能做的是只有觀看。靈波走的是另一條路，它是逐幀生成、實(shí)時(shí)可控的。

它更像是根據(jù)你此刻的動作，去預(yù)測并生成下一幀畫面，所以你的每一次操作都能被即時(shí)地響應(yīng)。也正因如此，它才談得上玩。長時(shí)間連續(xù)地生成、把端到端的交互延遲壓在一秒以內(nèi)，這些都是能被操作的前提，而這恰恰是視頻模型天生給不了的。

那么，它究竟是怎么做到邊生成、邊響應(yīng)的？根據(jù)螞蟻靈波放出的技術(shù)報(bào)告，他們的架構(gòu)，大體可以拆成兩層。

先說生成本身。

螞蟻靈波把「生成一個世界」定義成了一個沿時(shí)間軸展開的因果過程。每一幀畫面只依賴兩樣?xùn)|西：此前已經(jīng)生成的畫面，和你此刻給出的輸入。它就這樣一幀接一幀地往下推，你的每一次操作，都會被喂進(jìn)去，并影響接下來生成的內(nèi)容。

為了讓這樣一個持續(xù)往下生成的模型不至于越跑越糊，團(tuán)隊(duì)先訓(xùn)練了一個畫質(zhì)高、但速度偏慢的基礎(chǔ)模型，再把它蒸餾成一個跑得夠快、能實(shí)時(shí)交互的版本。實(shí)時(shí)的能力，正是這樣換來的。

第二層是交互的組織。

光有一個會生成畫面的模型，還不足以讓世界鮮活起來，因?yàn)橐曨l生成模型本身并不具備「想一步、再演一步」的推理能力。

螞蟻靈波的做法，是在生成模型之外再接一個視覺語言模型，專門負(fù)責(zé)讀懂當(dāng)前畫面、做因果推理，并不斷提出合乎邏輯的事件。比如，它會判斷你這一步操作會帶來什么后果，或者在世界快要冷場時(shí)補(bǔ)充新的內(nèi)容；生成模型則負(fù)責(zé)把這些判斷落成具體的、符合物理直覺的畫面。

這條路有幾處明顯的短板，卻也是它為實(shí)時(shí)和可交互這套路線付出的代價(jià)。

最根本的一點(diǎn)是記憶，這個世界目前看著連續(xù)，身份卻并不連續(xù)。一處場景一旦移出模型的視野范圍，你再回頭去看，它多半是被重新生成出來的新場景。長時(shí)間運(yùn)行下，畫面的一致性也沒那么好，角色的外觀可能會悄悄變樣，整體畫風(fēng)也可能慢慢漂移。

再者是物理，它對物理的理解完全是從畫面里學(xué)來的，并沒有一套成熟的幾何或碰撞規(guī)則，所以偶爾會出現(xiàn)物體互相穿模、而非真實(shí)碰撞的穿幫。

此外還有清晰度，視頻模型能把畫面做得漂亮，很大程度上是因?yàn)樗槐厥軐?shí)時(shí)的約束，可以把算力都花在打磨一段固定畫面上。靈波做了相反的選擇，那么畫面上的粗糙、不穩(wěn)定，就是當(dāng)前它為可玩性付出的、幾乎無法回避的代價(jià)。

很大程度上，一致性、畫面清晰度、穿模的等問題，也是目前世界模型領(lǐng)域在試圖克服的共通難題。

就目前靈波的生成能力來看，要做出真正意義上的好游戲，大概率仍然需要依靠傳統(tǒng)研發(fā)流程。因?yàn)閭鹘y(tǒng)游戲所需要的穩(wěn)定、精度和打磨，就目前來看并不是靈波的的主業(yè)。

但把評價(jià)的坐標(biāo)換一下，它能發(fā)揮作用的位置其實(shí)不少。對創(chuàng)作者來說，在項(xiàng)目早期做demo、驗(yàn)證一個點(diǎn)子好不好玩的階段，它或許就能派上用場，快速看個大概效果，省下不少時(shí)間。

相比之下，哪怕是時(shí)下流行的 vibe coding，終究還得有人真去寫代碼、打包、可能還要反復(fù)debug，而世界模型能讓你幾乎只用自然語言就把想法跑起來，更快，也更簡單。

對一般玩家來說，它則可能成為做沙雕二創(chuàng)的順手工具。想讓某個角色出現(xiàn)在某個荒誕的場景里，想把兩個八竿子打不著的設(shè)定縫在一起，過去這些想法最多只是視頻畫面，但現(xiàn)在或許點(diǎn)幾下就能跑起來。

誰不想急頭白臉一句話搓一個可操控的大翅膀原神？

螞蟻靈波生成的內(nèi)容，畫面精度未必足夠高，加上內(nèi)置Agent會主動猜交互，還很可能會生成一些出人意料的內(nèi)容，但正是這種低門檻地把奇思妙想落地的能力，讓它天然適合生長出大量輕量、好玩、可傳播的內(nèi)容。

所以，與其把靈波看成一臺還不夠好的內(nèi)容引擎，不如換個角度，把它看成一種全新的內(nèi)容生產(chǎn)方式。它要解決的問題，從一開始就和視頻模型、和傳統(tǒng)引擎不一樣。

03

它可能長出什么新東西？

更值得一提的是，螞蟻靈波把打造一個可交互世界這件事的門檻，降到了一個前所未有的位置。

他們這次將代碼和模型權(quán)重全面開源，不綁定特定的硬件或平臺。開發(fā)團(tuán)隊(duì)告訴我，靈波只要兩張4090就能跑起來。這意味著，世界模型不再是只有大廠的算力和預(yù)算才能碰的玩具。

一個中小團(tuán)隊(duì)、一個做同人二創(chuàng)的愛好者、一個純粹為愛發(fā)電的個人，理論上都能把它搭在自己手邊，反復(fù)地改、反復(fù)地試。這在過去是不可想象的——可交互的世界生成，一向是資源密集、門檻極高的活兒。

而當(dāng)足夠多的人能夠使用它，最先被點(diǎn)燃的，很可能是二創(chuàng)。

對不少游戲IP來說，二次創(chuàng)作從來是越多越好，它是熱度，是黏性，是IP生命力的延續(xù)。而靈波恰恰是一臺批量生產(chǎn)二創(chuàng)素材的引擎，你有一個念頭，不必懂技術(shù)實(shí)現(xiàn)，就能讓它在一個能玩的世界里跑起來。

而且，二創(chuàng)作者在這里是輕裝上陣的。他們不必顧慮穿幫和崩壞，反而更敢玩、更放得開，也就更容易玩出有意思的東西。

菲比在后室變異了

站在消費(fèi)這一端，同樣的邏輯也成立。

看二創(chuàng)的人，本來就不指望它有正經(jīng)游戲那樣的穩(wěn)定和精度。甚至反過來，AI偶爾犯蠢、生成出一些荒誕離奇的畫面，這份翻車本身就是樂趣所在，說不定還會變成社區(qū)里口口相傳的梗。

在這個語境里，粗糙不是缺陷，奇葩不是bug，它們都是可被消費(fèi)的內(nèi)容。往前再走一步，這個形態(tài)或許已經(jīng)接近業(yè)內(nèi)所暢想的「3D抖音」——人人都能生成一個可運(yùn)行的小世界，別人刷到了，點(diǎn)進(jìn)去就能玩上一會兒。

如果把視野再放大，這件事的意義就不止于內(nèi)容了。一個能實(shí)時(shí)預(yù)測「世界會如何隨動作而變化」的模型，恰恰是具身智能最需要的那顆大腦——機(jī)器人要學(xué)會行動，先得能在腦子里預(yù)演行動的后果，而這正是世界模型的看家本領(lǐng)。

換句話說，今天用來讓你搓一個能玩的開放世界的能力，明天也可能被用來訓(xùn)練一個更聰明的機(jī)器人：同一套理解并預(yù)測世界的底層能力，一頭連著游戲，一頭連著真實(shí)世界里的具身智能。

看到這兒，你應(yīng)該發(fā)現(xiàn)了，和穩(wěn)定的視頻模型相比，雖然靈波不夠精致，但它的價(jià)值不在畫面，而在于可以重復(fù)操作，并真正地影響你所創(chuàng)作的世界。而且它第一次把做這件事的門檻，降低到了普通人夠得著的位置。

雖然離很多人預(yù)想當(dāng)中「用AI生成《頭號玩家》」的愿景還有較遠(yuǎn)距離，但當(dāng)下螞蟻靈波生成世界的可玩程度，或許為某種新內(nèi)容形態(tài)鋪墊了雛形。一旦人人可造、可玩的世界這條路走通，被改寫的不只是畫質(zhì)，而將是內(nèi)容生產(chǎn)和消費(fèi)的整個邏輯。

游戲葡萄招聘內(nèi)容編輯，

（星標(biāo)可第一時(shí)間收到推送和完整封面）