近期，一家位于舊金山的初創(chuàng)公司 Moonlake AI 宣布公開(kāi)測(cè)試其“世界建模智能體”（World Modeling Agent），同步發(fā)布的技術(shù)博客展示了一個(gè)保齡球小游戲的十階段構(gòu)建過(guò)程，從網(wǎng)格資產(chǎn)生成、剛體物理賦予、碰撞檢測(cè)、計(jì)分邏輯、音頻集成到逆運(yùn)動(dòng)學(xué)（IK, Inverse Kinematics）抓取動(dòng)畫(huà)，全由 AI 自主完成。Moonlake 的 beta 產(chǎn)品能在 15 到 20 分鐘內(nèi)，將一段自然語(yǔ)言描述變成可運(yùn)行、可操控、有物理反饋的完整游戲原型。

Moonlake 試圖讓任何人通過(guò)自然語(yǔ)言，直接生成帶有物理引擎、游戲邏輯、碰撞檢測(cè)、計(jì)分系統(tǒng)甚至空間音頻的完整交互式世界。用創(chuàng)始人自己的話來(lái)說(shuō)，他們不只是在做一個(gè)游戲生成器，而是想借游戲開(kāi)發(fā)這個(gè)過(guò)程，去訓(xùn)練一個(gè)關(guān)于“世界如何運(yùn)作”的前沿 AI 模型。

該公司總部位于舊金山，由兩位斯坦福 AI 實(shí)驗(yàn)室出身的博士 Fan-Yun Sun 和 Sharon Lee 聯(lián)合創(chuàng)立。Fan-Yun Sun 在斯坦福讀博期間同時(shí)在英偉達(dá)的學(xué)習(xí)與感知研究團(tuán)隊(duì)以及 Metropolis 深度學(xué)習(xí)部門(mén)（即 Omniverse 相關(guān)項(xiàng)目）工作，主攻方向是為訓(xùn)練 AI 智能體生成大規(guī)模 3D 世界。

Lee 的研究方向則是將擴(kuò)散模型（Diffusion Model）和 3D 引擎結(jié)合，構(gòu)建能夠理解空間的基礎(chǔ)模型。兩人的研究背景高度互補(bǔ)，一個(gè)解決“如何生成世界”，一個(gè)解決“如何讓世界有交互”。

圖丨 Fan-Yun Sun（右）和 Sharon Lee（左）（來(lái)源：Moonlake）

公司于 2025 年 10 月從隱身模式走出，宣布完成了 2,800 萬(wàn)美元種子輪融資，由 AIX Ventures、Threshold Ventures 和英偉達(dá)旗下風(fēng)投 NVentures 聯(lián)合領(lǐng)投。

天使投資人陣容也相當(dāng)亮眼：YouTube 聯(lián)合創(chuàng)始人 Steve Chen、AngelList 創(chuàng)始人 Naval Ravikant、Google 首席科學(xué)家 Jeff Dean、GAN（Generative Adversarial Network，生成對(duì)抗網(wǎng)絡(luò)）發(fā)明者 Ian Goodfellow，以及來(lái)自 Hugging Face、DeepMind、Stability AI、OpenAI 的多位高管。截止近期，融資數(shù)字已更新為約 3,000 萬(wàn)美元，團(tuán)隊(duì)大約 15 人，由 ACM ICPC 獎(jiǎng)牌得主和國(guó)際奧林匹克競(jìng)賽獲獎(jiǎng)?wù)叩冉M成。

2025 年 12 月，Moonlake 發(fā)布了他們的核心產(chǎn)品 Reverie，也就是所謂的 GGE（Generative Game Engine，生成式游戲引擎）。按照公司的說(shuō)法，這是第一個(gè)“可編程的世界模型”，用于實(shí)時(shí)交互內(nèi)容生成。它和此前的 AI 視頻生成模型有一個(gè)關(guān)鍵區(qū)別：狀態(tài)持久性。

大部分視頻生成模型（比如 Sora 之類）能產(chǎn)出漂亮的畫(huà)面，但它們本質(zhì)上是在預(yù)測(cè)“下一幀看起來(lái)應(yīng)該像什么”，不維護(hù)一個(gè)真正的世界狀態(tài)。如果玩家在游戲里打碎了一個(gè)花瓶，幾秒鐘后花瓶可能又恢復(fù)原樣了。

Moonlake 的系統(tǒng)通過(guò)將擴(kuò)散模型與結(jié)構(gòu)化 3D 信號(hào)綁定，讓世界中發(fā)生的變化能持續(xù)保持。Lee 在接受采訪時(shí)說(shuō)過(guò)，生成式世界中一直缺失的那塊拼圖就是“控制”，創(chuàng)作者需要能定義什么會(huì)變、為什么變、變化維持多久。

具體來(lái)看 Moonlake 的技術(shù)架構(gòu)，它并不是一個(gè)單一模型，而是一個(gè)“編排者”（orchestrator）。用戶的自然語(yǔ)言指令進(jìn)入后，系統(tǒng)調(diào)用一整套專門(mén)化的第三方 AI 模型來(lái)分別處理不同任務(wù)：空間布局用多模態(tài)推理，游戲邏輯靠程序合成（program synthesis），物理交互用模擬層，視覺(jué)渲染則由實(shí)時(shí)擴(kuò)散模型完成。

Fan-Yun Sun 對(duì) Fast Company 描述說(shuō)，他們的編排模型會(huì)隨著時(shí)間推移學(xué)會(huì)如何融合這些模態(tài)，并逐步把外部模型的能力納入自己體內(nèi)。

Moonlake 在官方博客中給出了一個(gè)很具體的案例來(lái)展示這套系統(tǒng)的推理過(guò)程：一個(gè)賽博朋克風(fēng)格的保齡球迷你游戲。用戶只給了一句話的提示：“在街機(jī)房里創(chuàng)建一個(gè)賽博朋克美學(xué)、半寫(xiě)實(shí)風(fēng)格的保齡球小游戲”，沒(méi)有提供任何架構(gòu)約束或?qū)崿F(xiàn)細(xì)節(jié)。

接下來(lái)，系統(tǒng)的 agent 自動(dòng)走完了十個(gè)階段：先是資產(chǎn)實(shí)例化，生成球道、球瓶、保齡球的 3D 網(wǎng)格和 PBR（Physically Based Rendering，基于物理的渲染）紋理；然后是物理化，把球瓶轉(zhuǎn)換為剛體，賦予摩擦系數(shù) 0.4、彈性 0.15，球瓶質(zhì)量 1.5 公斤，保齡球 5 公斤；再到空間布局、核心游戲邏輯、球的生命周期管理、邊界穩(wěn)定、邊緣情況處理、音頻集成、IK（Inverse Kinematics，逆向運(yùn)動(dòng)學(xué)）手臂抓取系統(tǒng)，最后是由用戶反饋驅(qū)動(dòng)的細(xì)節(jié)打磨。

從這一實(shí)例也能看出，Moonlake 對(duì)“世界模型”的定義和當(dāng)前 AI 圈主流話語(yǔ)有較大不同。過(guò)去一年里，“world model”這個(gè)詞在 AI 行業(yè)被大量使用，但大多數(shù)時(shí)候指的是下一幀視頻預(yù)測(cè)，即給定當(dāng)前畫(huà)面和用戶操作，預(yù)測(cè)接下來(lái)視覺(jué)上應(yīng)該是什么樣。

Google DeepMind 的 Genie 3 在 2025 年 8 月發(fā)布，能以 24 幀每秒生成可導(dǎo)航的 3D 環(huán)境；李飛飛的 World Labs 在 2025 年 11 月推出 Marble，可以從文本、圖片或視頻生成可下載的 3D 世界。

Moonlake 的思路和上述這些都不太一樣。在他們看來(lái)，一個(gè)世界的狀態(tài)不能被簡(jiǎn)化為一幀圖像或一團(tuán)像素。

他們的博客文章用保齡球瓶做了個(gè)例子：一個(gè)保齡球瓶同時(shí)是空間中的一個(gè)有紋理的物體、一個(gè)有質(zhì)量和慣性的剛體、一個(gè)可以被撞倒的對(duì)象、一個(gè)對(duì)比分有貢獻(xiàn)的符號(hào)實(shí)體，以及一個(gè)撞擊時(shí)的聲源。當(dāng)球擊中瓶子的那一刻，變換矩陣更新、物理求解器解析碰撞沖量、比分遞增、音頻觸發(fā)、重置計(jì)時(shí)器推進(jìn)等，這些不是獨(dú)立事件，是同一個(gè)因果事件的同步結(jié)果。如果其中任何一個(gè)模態(tài)更新而其他沒(méi)跟上，世界就不連貫了。

所以 Moonlake 追求的是跨模態(tài)的因果一致性，而非單純的視覺(jué)逼真。他們把世界模型應(yīng)該同時(shí)編碼的東西分成了五個(gè)維度：幾何（變換、拓?fù)?、空間關(guān)系）、物理（質(zhì)量、力、碰撞約束）、可供性（affordance，即什么動(dòng)作是可能的、由誰(shuí)來(lái)執(zhí)行）、符號(hào)邏輯（規(guī)則、分?jǐn)?shù)、定時(shí)器、狀態(tài)機(jī)）、感知映射（視覺(jué)投影和空間音頻）。這個(gè)框架比純視覺(jué)世界模型更全面，也更貼近傳統(tǒng)游戲引擎實(shí)際做的事情。

（來(lái)源：Moonlake AI）

就當(dāng)前實(shí)際的產(chǎn)品體驗(yàn)來(lái)看，其的確可以較為迅速的制作出一個(gè)簡(jiǎn)單的游戲原型，但仍需耗費(fèi)較大精力進(jìn)行打磨。在 Fast Company 報(bào)道的實(shí)測(cè)中，記者初次嘗試做一個(gè) 3D 地牢探險(xiǎn)游戲時(shí)遭遇了失敗，產(chǎn)出了一個(gè)滿是膠囊形角色的單間。

之后他縮小范圍，做了一個(gè) 2D 冰淇淋堆疊游戲，初版在 15 到 20 分鐘內(nèi)出來(lái)了。核心玩法基本到位，冰淇淋從天上掉下來(lái)的節(jié)奏恰到好處，鍵盤(pán)控制映射也是自動(dòng)完成的，系統(tǒng)甚至主動(dòng)加了一個(gè)冰淇淋落到蛋筒上時(shí)的彈跳動(dòng)畫(huà)。但廚師是個(gè)白色粗糙圖形，冰淇淋不會(huì)正確堆疊。

于是他又花了好幾個(gè)小時(shí)反復(fù)和 AI 溝通修復(fù)物理效果，陷入“幾乎解決但沒(méi)完全解決”的循環(huán)。最終他把剩余需求一股腦塞給系統(tǒng)，15 分鐘后拿到了有計(jì)分、有 Game Over 畫(huà)面的完整游戲，消耗月度 1,500 信用點(diǎn)中約 950 點(diǎn)，按 40 美元月費(fèi)算不到 25 美元。速度驚人，打磨依然費(fèi)力。

不過(guò) Moonlake 真正的長(zhǎng)期賭注不在工具層面。Lee 和 Fan-Yun Sun 反復(fù)強(qiáng)調(diào)的一件事是：用戶每一次在平臺(tái)上糾正系統(tǒng)的物理行為、補(bǔ)充游戲規(guī)則、調(diào)整因果關(guān)系，都在為 Moonlake 自己的多模態(tài)模型提供訓(xùn)練信號(hào)。

Fan-Yun Sun 把這和現(xiàn)有的世界數(shù)據(jù)采集方式做對(duì)比，例如租 Airbnb 用激光掃描房間是靜態(tài)的、難以規(guī)模化的；分析視頻缺少人類語(yǔ)境；只用單一游戲數(shù)據(jù)（比如大量《堡壘之夜》錄像）訓(xùn)練出的模型不會(huì)泛化到真實(shí)世界。

而 Moonlake 上的用戶交互天然帶有意圖和反饋，是因果數(shù)據(jù)。如果這個(gè)飛輪跑起來(lái)，數(shù)據(jù)規(guī)模會(huì)指數(shù)級(jí)增長(zhǎng)，模型也會(huì)隨之變強(qiáng)。游戲之后，他們?cè)O(shè)想的應(yīng)用方向包括機(jī)器人訓(xùn)練、自動(dòng)駕駛和制造業(yè)人因分析。Lee 稱他們已經(jīng)接到了制造企業(yè)的咨詢。

只是目前其 beta 版每天僅放量 100 人，離“飛輪轉(zhuǎn)起來(lái)”大概還有相當(dāng)遙遠(yuǎn)的距離。

參考資料：

1.https://x.com/moonlake/status/2026718586354487435

2.https://moonlakeai.com/blog/building-interactive-worlds

3.https://www.fastcompany.com/91491025/moonlake-ai-vibecoded-video-game

運(yùn)營(yíng)/排版：何晨龍