北京
全球游戲地圖總面積已超過1.5億平方公里，但每一寸地形都靠美術團隊手工刷出來。SIGGRAPH 2026的一篇論文，把這件事交給了擴散模型。
過去幾十年里，程序化世界生成一直依賴柏林噪聲這類算法。它們跑得快、范圍無限，但在真實感和大尺度一致性上存在根本缺陷。你能生成一座山，但山和山之間的地質關系完全不對。擴散模型倒是夠逼真，卻只能生成有邊界的畫布。你讓Midjourney畫一張無限地圖試試？它做不到。
InfiniteDiffusion論文提出了一個概念叫“不可能三角”：無限延展、無狀態生成、學習型真實感，你只能三選二。擴散模型占了真實感，古典噪聲占了無限和無狀態，但沒人能同時拿下三個。直到現在。
具體怎么做到的？InfiniteDiffusion本質上是一個訓練無關的算法，它把擴散模型的采樣過程改成了懶加載計算。你只請求某個坐標區域，它就只算那一片，不碰別的。內部維持一個有限的LRU緩存做性能優化，不需要持久存儲，也不依賴外部狀態。這意味著任何擴散模型都能被改造成一個無限大的、邏輯上無狀態的數組，只靠種子和坐標就能索引，支持常數時間隨機訪問，完全確定，而且可以極端并行。
論文對比圖很直觀：MultiDiffusion必須在預定義的邊界內老老實實先生成整塊畫布，而InfiniteDiffusion沒有這個限制。畫質幾乎沒有折損，卻多了無限延展的能力。
這才是真正有意思的地方——他們把擴散模型做成了程序化噪聲的接口形態。幾十年行業習慣了“要么用柏林噪聲搭基礎，要么讓藝術家手動補細節”的工作流，這條路線被打破了。程序化生成從一個數學工具問題，變成了機器學習問題。
為了驗證這套方案，論文團隊做了Terrain Diffusion，第一個學習型程序化地形生成框架。它的接口長得跟程序化噪聲一樣，但底下跑的全是擴散模型的推理。在一個消費級GPU上，生成速度跑到軌道速度的9倍。所謂軌道速度，是地球遙感里衛星過境采集數據的速度基準。這意味著你能實時交互式地刷地形，每一幀背后都在跑擴散模型。
框架里還疊了幾層關鍵組件：用層次化的擴散模型把行星尺度的宏觀語境和局部細節耦合起來，用地形版的拉普拉斯編碼壓縮地球級動態范圍，讓輸出在超大尺度上依然穩定，還有一個開源的無限張量框架，負責用恒定內存處理無限大的數據結構。這幾樣東西如果分開看，每件都是過去兩年生成式AI領域爭論焦點的工程答案。
目前能跟無限生成沾邊的路線只有自回歸外推。但自回歸的問題非常致命：它需要維護一個共享的全局狀態，這就把決定性和隨機訪問全堵死了。你不能隨便跳到地圖上某個坐標去看那一塊長什么樣，因為沒有歷史狀態就推不出來。InfiniteDiffusion完全繞開了這條路。
這件事的影響不止在地形。論文說得很清楚，這套方案用在任何擴散模型上都是一樣的——圖片、視頻、材質、三維場景。只要模型能采樣，就能改成無限懶加載版本。基礎設施層的改變，往往比模型層更安靜，但更持久。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
