一句话造世界！开发者用10天婚假爆肝，让AI小镇真正「活」了过来

新智元报道

编辑：LRST

【新智元导读】2023年斯坦福「AI小镇」火了，后续也诞生了大量类似的热门项目，但所有这类项目都有一个共同瓶颈——世界是人工搭建的，固定的。最近，一位独立开发者用10天婚假爆肝了一个项目WorldX：输入一句话、5分钟，一个完整的AI世界就诞生了——地图、角色、动画、人设全部自动生成，AI角色们自主在其中生活、对话、形成记忆、产生戏剧性的涌现行为。

输入这样一句话：「夜晚的宋朝繁华夜市，有当铺掌柜、算命先生、捕快、小偷、酒鬼，还有一个刚从现代穿越来的网红。」

5分钟后，一张工笔画风格的宋朝夜市地图出现在你面前。当铺、算命摊、菩萨像各居其位。

然后6个角色自己开始活动——

当铺掌柜守着柜台念叨被偷的事，算命先生等客上门，捕快四处巡逻打听线索，小偷装作普通路人混在人群里，酒鬼醉醺醺地从街头晃到街尾。而那个穿越来的网红——飘逸长发、衣着和旁人格格不入——正被所有人好奇地打量着。

没人写过剧本。

接下来发生的一切，完全由AI角色自主决定。捕快可能会找上每一个人盘问；小偷可能会主动接近捕快试探，又会突然觉得自己暴露了想找借口溜走；算命先生会拉住穿越来的网红说「姑娘印堂发暗」；酒鬼可能会撞翻当铺掌柜的招牌，引来一场争吵。

这是一个真正「活着」的AI世界。

项目地址：https://github.com/YGYOOO/WorldX

技术解析：https://zhuanlan.zhihu.com/p/2032410449854068566

AI小镇火了3年

还没解决「造世界」

故事得从2023年说起。

那一年，斯坦福发布了著名的Generative Agents论文——25个AI角色在一个虚拟小镇里自主生活、社交、形成记忆，展现出令人惊叹的「 涌现行为」。「AI小镇」这个概念瞬间出圈，引爆了整个Agent研究领域。

之后3年里，类似的热门项目层出不穷，ai-town、Microverse、AgentSims、TinyTroupe……都在试图复现并扩展这件事。

但所有这些项目，都有一个共同的瓶颈：

世界是写死的。

地图需要人工绘制。角色需要逐个手动配置。场景交互需要逐条编排。你想换一个「赛博朋克拉面馆」或者「末日便利店」的设定？对不起，从头来过。

学术界也意识到了这个问题。盛大AI研究院、上海AI Lab等机构联合发表了「World Craft」（arXiv 2601.09150）尝试解决这件事——但论文中也明确写道：当前系统只支持室内场景（住宅、办公室、单体建筑内部），不支持街道、广场、开放世界。而且地图风格高度同质化——都是从一个5500+素材库里检索拼装的标准RPG像素风。

真正「任意一句话造任意一个世界」，迄今没人做到。

直到WorldX出现。

「一句话造世界」的5分钟魔法

WorldX让这件事变得简单到不可思议。

你只需要输入：

• 末日便利店，6个幸存者挤在里面

• 北宋汴京夜市，有算命的、说书的、捕快和一个穿越者

• 魏无羡的师姐江厌离、卡卡西的挚友带土、扶苏、晴雯——那些没等到好结局的人住进了同一个小镇

• 6个经典反派被关进了一个像素小镇：容嬷嬷、伏地魔、灭霸、琴酒……

5分钟后，一个完整的、有美术风格、有角色立绘动画、有完整运行逻辑的AI世界就出现在你面前。每一个世界都是从零生成的，没有任何模板复用。

更关键的是——生成完只是开始。

进入世界后，你会看到：

• 每个AI角色在地图上自由走动、决策、互动

• 角色头顶会冒出对话气泡和内心独白OS（小偷和捕快客套时心里想着「她不会已经知道了吧……」——节目效果直接拉满）

• 角色们形成记忆、产生情绪、做出反思——一天结束时它们会在脑海里回顾今天发生的事

• 世界有真实的时间流转，凌晨1点夜市会自动收摊，第二天19点又重新开张

而你呢？你是这个世界的「上帝」。

你可以：

• 全局广播事件——「突然下大雨了」，所有角色下次决策时都会知道

• 给特定角色耳语/托梦——你突然想起当年捕快办过的一桩旧案……

• 实时修改角色人设——把「老实木讷」改成「心机深沉」，看世界走向会怎么变

• 把任意角色「拉出来」，和它进行架空对话——而且不影响主世界进程

更绝的是WorldX还做了多时间线 + 历史回放机制——同一个世界可以衍生出多条时间线，看相同的初始条件下故事是否会走向同一个结局；任意一段历史也能像看录像一样被回放，让你不错过任何「名场面」。

最难的关卡

让AI看懂自己生成的图

作者自己列了一份「卡点问题」清单，每一项都几乎能让整个项目卡死，比如下面这个问题：

如何让代码精确知道——AI生成的这张地图里，哪些区域是可行走的？

这件事看起来简单——人一眼就能看出哪里能走、哪里是树木屋顶。但要让代码知道，意味着需要精确到每个像素的坐标。而文生图模型生成的地图，本质上就是一张「图片」，没有任何分层、标注、坐标信息。

最直觉的方案是让多模态大模型（如 Gemini 3 Pro）直接看图返回坐标。作者实测后发现完全行不通——VLM输出的像素坐标误差极大，同一张图问两次能给出差很远的答案。

这是大模型的本质局限：它们被训练出来是为了像人一样理解图片内容，而不是当尺子用——人也远不可能肉眼看出精确坐标。

加网格辅助呢？作者也试了——给图片打上参考线，然后让 VLM 看着网格定位，再加自我审查循环不断纠偏。有效，但只对建筑、可交互元素这种「小目标」非常勉强地能用。对于「可行走区域」这种大范围、不规则的区域标注，几乎不可解。

真实游戏地图中，「可行走区域」可能是通过几百几千个 16×16px 的小方块拼出来的。让大模型一个个标？token 都不够烧的。

作者甚至挨个问了所有顶尖模型，没有一个能给出可行的方案。

灵感的瞬间：让AI涂色，让代码算坐标

转折点来自一个「换位思考」的瞬间——如果是一个真人，要在地图上把所有可行走区域标出来，他会怎么做？

可以直接拿水彩笔，把可行走区域涂出来。这连小孩子都能做。

然后，只要把「涂之前」和「涂之后」的两张图做像素级色差对比，就能精确算出所有被涂抹区域的坐标。某个像素颜色变了，说明被涂抹了；颜色没变，就没被涂抹。代码层面，这是一段完全确定性、不依赖任何AI的计算。

那么问题来了：让AI涂色这件事，做得到吗？

答案是：做得到。

而且能做到的工具，就是和「画地图」用的同一类——文生图大模型。

作者把文生图大模型作为「识图工具」使用——把原图作为参考，让它用半透明的青色覆盖出所有可行走区域。

然后用一段固定的代码，逐 tile 比较两张图的色彩差异，检测青色偏移：

强证据：ΔG ≥ 18 且 ΔB ≥ 18 且 ΔR ≤ 8

弱证据：ΔG ≥ 10 且 ΔB ≥ 10 且 ΔR ≤ 14

最终得到精确的可行走网格。

这就是WorldX的一个关键实现——「叠加标注 + 差异定位」。

它把问题拆成了两半：让AI做它擅长的事（画出位置），让CV算法做AI不擅长的事（算出精确坐标）。生成式AI的不确定性输出被转化成了确定性的CV计算，这是整个管线能稳定跑起来的关键。

有意思的是， WorldX 开源后没几天，Google DeepMind发布了Vision Banana 论文（arXiv:2604.20329），系统性地验证了"图像生成模型天然具备强大视觉理解能力，可以通过色彩编码输出完成分割、深度估计等视觉任务"这一核心洞察。

WorldX在工程上独立摸索出了同一个方向——不让VLM 直接报坐标，而是让图像编辑模型涂色，再用色差计算提取精确坐标——这或许说明这条路的直觉是正确的。当然两者的具体实现不同：Vision Banana需要指令微调，WorldX则是 zero-shot的纯工程方案。

多色彩区分+自我审查：把不可能变成稳定可用

可行走区域的问题解了，还有一个相关问题——当地图上有多个不同的功能区（当铺、算命摊、菩萨像）时，怎么知道哪个色块对应哪个？

很简单：用不同颜色区分。当铺涂红色，算命摊涂蓝色，菩萨像涂黄色——色差定位时按颜色归类。

为了避免色彩太多导致模型标注错乱，作者限制了每次最多标注4个元素，分批进行。

然后还有一个设计——自我审查 + 约束累积：

每生成完一轮地图或标注，系统会把结果发给视觉审查 LLM 做结构化 Review。如果不通过，反馈不会被当作「重新开始」的理由——而是被转化成中文约束，追加（不是替换）到下一次 Prompt 中。

每一轮生成都「记住」了之前的教训，约束越来越精确，整个过程像漏斗一样逐步收敛。

这套机制贯穿整个生成管线——从地图生成到功能区定位、可交互元素定位、可行走区域标注，每一步都有「生成 → 审查 → 约束注入 → 重试」的循环。

整个地图生成管线一共6步：

1. 生成全景地图（带审查重试，最多4次）

2. 压缩工作图（降低下游 token 开销）

3. 三路并行：功能区定位 + 可交互元素定位 + 可行走区域标注（每一路都有自己的审查重试）

4. 像素级计算可行走网格（纯 CV，不依赖 LLM）

5. 坐标映射 + 拼装 Tiled JSON（标准游戏地图格式，引擎可直接加载）

整个流程跑下来，token 成本被作者控制到一个相当可控的水平（生成一个世界只需约3～18万token）——他在博客里写下了一句很有温度的话：「我希望这最终能成为一种普惠的、人人可用的架构，在一线大模型厂商不断涨价、限流、砍权益的情况下，更加促使了我对这一点的坚持。当然还有个原因是我钱不够。」

AI角色怎么「活」起来？Tick循环+三层记忆+双维度情绪

世界生成完毕，Server加载配置，模拟引擎启动。从这一刻起，所有角色的行为完全由AI自主驱动。

引擎以Tick为基本时间单位运行（默认每Tick = 游戏内 30 分钟）。每个Tick内部都是一套精心编排的流程：

1. 决策波（并行）：所有可决策角色同时走「感知环境 → 构建动作菜单 → LLM决策」

2. 对话调度（冲突消解）：贪心算法分配，每个角色每 Tick 最多参与一个对话会话

3. 动作执行：非对话动作串行（避免共享状态冲突），对话会话并行

4. 微反思（每模拟小时触发）：从近期经历提炼洞察，调整情绪和关注焦点

5. 跨日转场：一天结束时触发深度反思、记忆衰减、状态快照

记忆系统作者用了一个透明的四维加权评分：

score = relevance × 3 + recency × 2 + importance × 2 + emotionalIntensity × 1

为什么不用向量数据库？

作者的解释相当朴素：在这种 Agent 系统里，可调试比精度更重要。角色'总忘记重要的事'？把importance权重调高。'总沉浸在过去'？把 recency 调高。权重是透明的，改完马上能验证。向量数据库在这个场景下反而是个黑盒。

记忆还有完整的生命周期——衰减、巩固、淘汰。被频繁回忆的、情感强烈的、重要的记忆会被巩固为长期记忆；其余的逐渐淡忘。

「人类也会遗忘，然而这非但不是 bug，还是超级 feature。适当的遗忘是记忆迭代、重组的前提，是信息的压缩、理解、泛化。」作者在博客里写道。

情绪用双维度模型——Valence（效价）+ Arousal（唤醒度），能表达比单标签丰富得多的情绪状态：兴奋、焦虑、平和、愤怒。情绪只在「明显波动」时才对其他角色可见，避免了「每个人都是情绪透明人」的不真实感。

与斯坦福Generative Agents的对比

「Generative Agents 证明了'AI 角色可以涌现出有趣的社会行为'，WorldX 在此基础上进一步回答了'怎么让任何人描述一句话就能拥有一个自己的 AI 世界'。」

一个开发者的婚假10天

最后说一件让人印象深刻的事——这个项目是作者在10天婚假里独立爆肝出来的。

声明：此项目由本人在婚假10天中爆肝vibe coding完成，时间确实有限，还有很多待优化的点会后续实现

10天，从零到一个能跑的「一句话造世界」系统。包括：

• 一套完整的多模态生成管线（含6步地图生成 + 角色立绘 + 抠图）

• 一套基于 Tick 的 AI 模拟引擎（含三层记忆、双维度情绪、对话调度、反思机制）

• 一个 Phaser + React 的客户端（含寻路、动画、转场、回放、多时间线）

• 一套上帝系统、双语支持……

这或许才是vibe coding时代真正改变了什么——让一个独立开发者，用业余时间也能做出过去需要一个团队的事。

未来

身临其境、世界走廊、视觉小说

作者列出了几个让人期待的方向：

• 身临其境：用户附身到某个角色（或自创角色）直接进入世界，和 AI 角色们一起生活、对话、影响走向

• 世界画廊：搞一个社区，大家分享自己创造的世界，像应用商店一样浏览各种光怪陆离的 AI 世界

• 视觉小说：根据一段故事大纲，让系统自动演绎为完整的视觉小说

• 无限地图：目前地图大小是固定的，理论上可以实现角色接近边界时就自动生成新的地图

• 多场景联动：让一个世界的角色「走进」另一个世界，产生跨世界互动

文章最后，作者留下了一段相当哲学的话，我也忍不住把它放在这里：

「如今，我们已经可以通过一句话创造一个小型的、有一定智能的'迷你虚拟世界'了。随着模型能力的不断增强，能生成的世界也一定会愈发接近真实。我们是不是也在虚拟世界中呢？一旦某一天人类真正创造了与真实无二的虚拟世界，且这个世界中的人真的有了意识，那我们自己也处在虚拟世界中的概率将会立马变成无穷大——因为递归创世，直至无限。不过那种程度的'虚拟'已经就是'真实'了吧。」

目前离那个递归宇宙还很远。但在那之前，可能会先迎来一个更近的未来——每个人都拥有一个属于自己的虚拟世界，自己住进去，过自己想过的生活。就像今天每个人拥有自己的朋友圈、短视频账号一样自然。

那时，我们看待娱乐、陪伴、内容这些词的方式，可能都会被悄悄改写。 WorldX 现在做的，是这件事的开始。

参考资料：

https://github.com/YGYOOO/WorldX