AI無限生成《我的世界》，玩家動動鍵盤鼠標(biāo)自主控制！

明敏 2025-05-13 11:57:39 來源：量子位

明敏 發(fā)自 凹非寺

量子位 | 公眾號 QbitAI

用AI無限擴(kuò)展《我的世界》，動動鼠標(biāo)、鍵盤即可搞定！

一直前進(jìn)、砍掉樹木，后面別有洞天的世界，都是由用戶與環(huán)境交互、AI實(shí)時(shí)生成的。

也就是說，在砍掉樹木之前，樹后面的內(nèi)容還是不存在的。

用鼠標(biāo)切換視角、環(huán)顧環(huán)境，絲滑生成連貫畫面內(nèi)容。

哪怕是跳躍，畫面也非常穩(wěn)定，且符合自然世界物理規(guī)律。

Minecraft中森林、沙灘、沙漠、冰川、河流、平原等場景都可搞定。

支持基礎(chǔ)運(yùn)動（前后左右）、復(fù)合運(yùn)動、視角移動、跳躍、攻擊等細(xì)節(jié)操作。

而且不局限于《我的世界》，類Unreal Engine場景泛化也不在話下。

生成的雨天后的街道，已經(jīng)非常逼真。

無限逼近畫面細(xì)節(jié)也不崩：

以上，就是交互式世界模型最新的重大更新！

Matrix-Game，面向游戲世界建模，專為開放世界生成高質(zhì)量內(nèi)容而來。

它由昆侖萬維帶來，可以讓用戶通過簡單的鍵鼠指令，自由探索、創(chuàng)作細(xì)節(jié)豐富且符合現(xiàn)實(shí)世界物理規(guī)律的虛擬內(nèi)容；以極低操作門檻，釋放物理真實(shí)感與創(chuàng)作自由度的雙重潛力。

要知道，傳統(tǒng)方法構(gòu)建類似效果，往往需要手寫代碼、渲染視覺效果，耗時(shí)又耗力。

此前，谷歌推出了完全由AI驅(qū)動的實(shí)時(shí)游戲引擎GameNGEN一夜爆火，它能以每秒20幀模擬經(jīng)典射擊游戲DOOM，被網(wǎng)友直呼“比Sora還震撼”。

Matrix-Game與之類似，是交互式世界模型的更進(jìn)一步探索。

具體如何實(shí)現(xiàn)？一起來看。

自由探索創(chuàng)作虛擬世界

Matrix-Game主要發(fā)布了三方面內(nèi)容：

• Matrix-Game-MC數(shù)據(jù)集
• Matrix-Game主模型
• GameWorld Score評測體系

Matrix-Game-MC數(shù)據(jù)集

Matrix-Game-MC數(shù)據(jù)集是一個自主構(gòu)建的大規(guī)模交互世界數(shù)據(jù)集。主要包含兩類數(shù)據(jù)：大規(guī)模無標(biāo)簽的Minecraft游戲視頻和帶有鍵盤與鼠標(biāo)控制信號的Minecraft與Unreal可控視頻數(shù)據(jù)，具備精細(xì)動作標(biāo)注。

這能讓模型同時(shí)學(xué)習(xí)復(fù)雜環(huán)境動態(tài)和交互模式，完成建模。

其中，無標(biāo)簽預(yù)訓(xùn)練數(shù)據(jù)采用三階段過濾機(jī)制：畫質(zhì)與美學(xué)過濾→非游戲內(nèi)容剔除→動態(tài)與視角穩(wěn)定性過濾。

從6000小時(shí)的MineDojo數(shù)據(jù)中過濾出近千小時(shí)高質(zhì)量數(shù)據(jù)。

有標(biāo)簽數(shù)據(jù)采用2種混合策略，生成數(shù)千小時(shí)可控監(jiān)督數(shù)據(jù)。

一方面基于探索代理（Exploration Agent），借助VPT agent在MineRL環(huán)境中自動探索，生成大規(guī)模、高質(zhì)量的Minecraft視頻數(shù)據(jù)，數(shù)據(jù)中包含精確的鍵盤與鼠標(biāo)控制信號，支持可控性學(xué)習(xí)。

另一方面進(jìn)行程序化模擬（Unreal Procedural Simulation），基于Unreal Engine手動構(gòu)建結(jié)構(gòu)清晰、標(biāo)簽精確的模擬交互場景，提供位置信息、動作標(biāo)簽（離散與連續(xù)）、以及環(huán)境反饋信號（如方塊是否成功破壞），生成高精度、無噪聲的可控標(biāo)注數(shù)據(jù)，以此完成高保真動作-響應(yīng)建模。

Matrix-Game主模型

主模型核心框架基于擴(kuò)散模型。包含圖像到世界建模、自回歸式視頻生成、可控交互設(shè)計(jì)幾個部分。

首先，圖像到世界建模（Image-to-World Modeling）以單張圖像作為生成交互式視頻起點(diǎn)，融入用戶動作輸入（如鍵盤、鼠標(biāo)），通過類似Flux與HunyuanVideo的多模態(tài)擴(kuò)散模型直接生成虛擬游戲世界的視頻內(nèi)容。

過程中不依賴語言提示，僅基于視覺信號建?？臻g幾何、物體運(yùn)動及其物理交互。

然后通過自回歸式視頻生成（Autoregressive Diffusion Generation），持續(xù)生成高一致性長視頻內(nèi)容。

每次生成以前一視頻片段的最后k=5幀作為運(yùn)動上下文，逐段遞進(jìn)生成，確保時(shí)間上的連貫性。

為緩解時(shí)序漂移和誤差累積，訓(xùn)練中以一定概率針對參考圖像與運(yùn)動上下文引入隨機(jī)擾動、隨機(jī)刪除以及分類引導(dǎo)（CFG）策略。

訓(xùn)練中采用可控交互設(shè)計(jì)（Injecting Actions for Controllability），鍵盤動作以離散token表達(dá)，視角移動動作則以連續(xù)token表達(dá)。

采用GameFactory的控制模塊，并融入多模態(tài)Diffusion Transformer架構(gòu)，同時(shí)使用CFG技術(shù)提升對控制信號的魯棒響應(yīng)能力。

GameWorld Score測評體系

為了系統(tǒng)性評估和比較交互式世界生成模型的性能，Matrix-Game提出了一套統(tǒng)一評測框架。

該評測體系首次實(shí)現(xiàn)了感知質(zhì)量+控制能力+物理合理性的全方位衡量。

核心評估維度有四方面：

• 視覺質(zhì)量
• （Visual Quality）：評估每一幀圖像的清晰度、結(jié)構(gòu)一致性與真實(shí)感。依據(jù)人類視覺系統(tǒng)（HVS）標(biāo)準(zhǔn)衡量每一幀圖像生成效果。
• 時(shí)間一致性
• （Temporal Quality）：衡量模型生成視頻的動態(tài)連貫性，包括運(yùn)動連續(xù)性、節(jié)奏平滑性與時(shí)間穩(wěn)定性。
• 交互可控性
• （Action Controllability）：評估生成結(jié)果是否準(zhǔn)確響應(yīng)用戶輸入的控制信號，涵蓋離散控制（如前進(jìn)、跳躍）和連續(xù)控制（如視角轉(zhuǎn)換）。
• 物理規(guī)則理解
• （Physical Rule Understanding）：測試生成視頻是否遵循物理常識與空間一致性。

8大Minecraft場景中全面領(lǐng)先

結(jié)果顯示，在GameWorld Score評測系統(tǒng)中，Matrix-Game全面超越現(xiàn)有開源基線模型Decart的Oasis與微軟的MineWorld，在視覺質(zhì)量、時(shí)間一致性、動作可控性與物理規(guī)則理解四大維度上均取得領(lǐng)先成績。

在雙盲實(shí)驗(yàn)中，用戶也更傾向于選擇Matrix-Game生成的視頻，總體偏好率達(dá)到96.3%，細(xì)分維度上的偏好也都超過89%，尤其是視覺質(zhì)量上，偏好率達(dá)到了98.23%。

在“運(yùn)動”、“攻擊”等動作上，Matrix-Game可實(shí)現(xiàn)90%＋準(zhǔn)確率，而且在細(xì)粒度視角控制下依然保持高精度響應(yīng)。

在8大典型Minecraft場景中全面領(lǐng)先。

在實(shí)際應(yīng)用方面，Matrix-Game可以在虛擬游戲世界快速搭建、影視與元宇宙內(nèi)容生產(chǎn)、具身智能體訓(xùn)練和數(shù)據(jù)生成上發(fā)揮作用。

能夠更低成本、更高效率生成高保真、物理一致且可交互的虛擬視頻內(nèi)容或虛擬環(huán)境。

空間智能正在重塑虛擬世界

隨著大模型應(yīng)用落地趨勢開啟，在前沿領(lǐng)域，AI正在從2D世界向3D世界滲透。

李飛飛官宣創(chuàng)業(yè)World Labs，更是讓空間智能成為當(dāng)下熱議方向。

如今，只憑一張圖生成以假亂真的3D世界，已經(jīng)成為現(xiàn)實(shí)。

今年2月，昆侖萬維推出了Matrix-Zero世界模型，成為中國第一家同時(shí)推出3D場景生成、可交互視頻生成模型的企業(yè)。由此也開啟了昆侖萬維在世界模型Matrix系列上的探索以及在空間智能領(lǐng)域的深度布局。

國內(nèi)外，大廠巨頭們也紛紛押注3D AIGC，如谷歌DeepMind、騰訊等也一直在該領(lǐng)域進(jìn)行前沿布局。

為啥都看好空間智能？

一方面是技術(shù)演進(jìn)邏輯使然：從單模態(tài)到多模態(tài)、從2D到3D，技術(shù)總是朝著“更能傳遞豐富信息”的方向演進(jìn)。

另一方面在于，現(xiàn)階段技術(shù)也為向3D領(lǐng)域探索做好了一定基礎(chǔ)準(zhǔn)備，從算法、數(shù)據(jù)到算力，都展現(xiàn)出了處理3D內(nèi)容生成的潛力。比如世界模型、3D數(shù)字資產(chǎn)生成等……現(xiàn)在可以進(jìn)行前沿探索了。

再從行業(yè)需求來看，影視制作、游戲場景開發(fā)、具身智能等領(lǐng)域，都已經(jīng)浮現(xiàn)出對3D AIGC的需求。近期大火的智能體，也能在虛擬3D世界中進(jìn)行訓(xùn)練和迭代。

一定程度上，3D AIGC、世界模型可以為人類提供了一種全新的交互體驗(yàn)。

所以也就不難理解李飛飛為何在這一領(lǐng)域創(chuàng)業(yè)，硅谷巨頭也積極入局，這是對下一代AI、下一個“大模型”的押注。

如此趨勢，在國內(nèi)亦是如此。

更懂AI的人，已經(jīng)火速奔赴下一個戰(zhàn)場搶占先機(jī)了。

而這一次，站在最前面的是Matrix-Game及其背后的昆侖萬維，它們讓世界不再只是被觀看，而是被探索、被創(chuàng)造。

Github：https://github.com/SkyworkAI/Matrix-Game

Huggingface model：https://huggingface.co/Skywork/Matrix-Game

Homepage：https://matrix-game-homepage.github.io

技術(shù)報(bào)告：https://github.com/SkyworkAI/Matrix-Game/blob/main/assets/report.pdf