一分钟生成开放世界，实时交互仅1秒延迟：国产开源世界模型全球爆火

一句话做游戏的时代？

文/林致

葡萄君最近试玩了一个新品。在一个赛博朋克风格的世界里，我扮演一个巫师，挥动法杖，十几颗红色火球砸向街心，再抬抬手，几道蓝色电流就劈出去。

如果我想，我甚至还能将远处的车掀起来，凌空甩出去。

整个过程体验丝滑，轮番放出的技能也很带劲，但这不是什么新游戏，它其实是蚂蚁灵波开源的世界模型（LingBot-World-Infinity）生成的游戏片段。

刚刚所有的玩法设计都是几分钟内编造的，包括这个世界的设定、巫师所放出的技能、技能会有什么效果。当我按下绑定了「事件」的按钮，屏幕中的世界就会迅速作出反应。这些不受场景影响，可以多次使用的「事件」，体验上已经和游戏的「技能」没什么差异了。

是的，世界模型，这个近两年里被反复讨论，甚至一度让众多游戏从业者感到焦虑，担心自己被AI彻底替代的技术，又有新变化了。最近蚂蚁灵波登上X科技热榜，在Reddit也引起了开发者热议。

蚂蚁灵波的世界模型引发热议，或许不难理解。毕竟，以前聊世界模型，很多人在意的是AI能否实时生成自然合理的世界，而蚂蚁灵波已经把问题拓展到了「你在AI世界里能怎么玩」的地步。

01

世界模型的那道线

蚂蚁灵波真正跨过的那道线，是交互能不能像玩游戏一样，被反复地操作。

这要从它的输入说起。你给的它是这三样东西：一张初始图、一段描述，外加一组你自己定义的按钮。也就是说，你配置的是一套可玩的法则，包括世界长什么样，以及你按下每个键会发生什么。

先说最基础交互，它能被实时操控。

以赛车游戏为例，你可以用WASD操控行动，视角也能随实时微调，以至于在擦碰的瞬间，你甚至会有一点心头一紧的惊险感。

这个体验听起来平平无奇，不就是开个车吗？但关键在于，画面里的每一帧，都是在你按下键的那一刻被实时生成出来的。你选择车往哪个方向开，世界就往哪个方向生成。

下面骑龙飞行的案例也是同样的道理。第一人称骑龙飞行穿过丛林，你可以随意地偏转路线，甚至还能时不时吐点火焰，看起来有点像《双影奇境》里那段奇幻世界的飞行关卡。

再往上一层，交互开始像游戏里的技能，可以被反复触发。

交互按钮绑定的可以是一个事件，比如一群鸟飞过、骤雨落下；可以是一个角色动作，比如放火球、召唤生物；也可以是装备切换，比如拔出一把枪、换成一把刀。

这样说可能有些抽象，咱们还是拿具体生成案例来看。

在下图中这个阴暗的地下室场景中，会出现各种随机怪物，而按键绑定的事件包括开、关手电筒。遇到个别怪物时，你需要关闭手电筒，才能一路后退寻找安全区；但大多情况下，你需要打开手电筒查看周围环境，而这时或许突然会有一只怪物跳脸……反复开关手电筒带来的视觉信息差，结合随机出现的怪物，这俨然已经有了恐怖游戏的氛围。

正是可以反复触发这一点，把世界模型真正推进到了稳定进行游戏输入的水平，这也恰恰是游戏区别于视频最本质的地方。

顺带一提，这种绑定并不只限于炫目的法术或者武器。

我也尝试了恋爱视角玩法。在这段视频中，角色轻抚她的头发，或者深情地注视你，再或者点燃一支蜡烛，这些都是靠绑定事件触发的。

第三层，你的交互不只是被响应，它会真正地改变这个世界。

这一步很容易被忽略，却是世界二字的分量所在。

在蚂蚁灵波生成的世界中，火焰扫过草地，草会真的被灼烧；雨水落下，田野会随之变得湿润。

这意味着，这个世界并非一块安静的背景板，当你行动时，整个世界都会对你的行为作出回应。

而最后一层，也是最微妙的一层：这个世界并不等你来命令，它自己就可以运转。

就算你什么都不按，这个世界也会按照自己的逻辑继续变化。这背后是一个内置的Agent在起作用，它能读懂你给的图和描述，甚至替你把内容补齐。

在生成世界时，除了用户自己写的事件prompt，内置的Agent还会主动提出两三个符合这个世界逻辑的交互事件，比如中世纪背景的骑士故事里可以有渡鸦飞过，茫茫的草原的晴天可以迎来辉煌的日落，亲密的恋爱场景对方可以举起酒杯跟你碰杯……这意味着灵波并非完全按照prompt，而是会根据玩家设计的世界制造一些「惊喜」。

把这四层结合起来看：能操控、能施放可复现的技能、能改变世界、世界还会自己运转……你会发现，一定意义上，灵波已经能生成一个非常原始、但确确实实能玩的游戏雏形了。

02

放到更大的范围内去看它

看懂了蚂蚁灵波能做什么，你可能会有疑问，那它和这两年满天飞的视频模型，到底是不是一回事？

答案是否定的。而两者的分野，并不在很多人第一眼会注意到的画面清晰度上。实话说，论精致和稳定，世界模型比视频模型还差得不少。真正让它们分道扬镳的，是背后一组根本不同的技术选择。

视频模型的做法，大体是先把一整段画面在后台渲染好，再一次性播给你看，你能做的是只有观看。灵波走的是另一条路，它是逐帧生成、实时可控的。

它更像是根据你此刻的动作，去预测并生成下一帧画面，所以你的每一次操作都能被即时地响应。也正因如此，它才谈得上玩。长时间连续地生成、把端到端的交互延迟压在一秒以内，这些都是能被操作的前提，而这恰恰是视频模型天生给不了的。

那么，它究竟是怎么做到边生成、边响应的？根据蚂蚁灵波放出的技术报告，他们的架构，大体可以拆成两层。

先说生成本身。

蚂蚁灵波把「生成一个世界」定义成了一个沿时间轴展开的因果过程。每一帧画面只依赖两样东西：此前已经生成的画面，和你此刻给出的输入。它就这样一帧接一帧地往下推，你的每一次操作，都会被喂进去，并影响接下来生成的内容。

为了让这样一个持续往下生成的模型不至于越跑越糊，团队先训练了一个画质高、但速度偏慢的基础模型，再把它蒸馏成一个跑得够快、能实时交互的版本。实时的能力，正是这样换来的。

第二层是交互的组织。

光有一个会生成画面的模型，还不足以让世界鲜活起来，因为视频生成模型本身并不具备「想一步、再演一步」的推理能力。

蚂蚁灵波的做法，是在生成模型之外再接一个视觉语言模型，专门负责读懂当前画面、做因果推理，并不断提出合乎逻辑的事件。比如，它会判断你这一步操作会带来什么后果，或者在世界快要冷场时补充新的内容；生成模型则负责把这些判断落成具体的、符合物理直觉的画面。

这条路有几处明显的短板，却也是它为实时和可交互这套路线付出的代价。

最根本的一点是记忆，这个世界目前看着连续，身份却并不连续。一处场景一旦移出模型的视野范围，你再回头去看，它多半是被重新生成出来的新场景。长时间运行下，画面的一致性也没那么好，角色的外观可能会悄悄变样，整体画风也可能慢慢漂移。

再者是物理，它对物理的理解完全是从画面里学来的，并没有一套成熟的几何或碰撞规则，所以偶尔会出现物体互相穿模、而非真实碰撞的穿帮。

此外还有清晰度，视频模型能把画面做得漂亮，很大程度上是因为它不必受实时的约束，可以把算力都花在打磨一段固定画面上。灵波做了相反的选择，那么画面上的粗糙、不稳定，就是当前它为可玩性付出的、几乎无法回避的代价。

很大程度上，一致性、画面清晰度、穿模的等问题，也是目前世界模型领域在试图克服的共通难题。

就目前灵波的生成能力来看，要做出真正意义上的好游戏，大概率仍然需要依靠传统研发流程。因为传统游戏所需要的稳定、精度和打磨，就目前来看并不是灵波的的主业。

但把评价的坐标换一下，它能发挥作用的位置其实不少。对创作者来说，在项目早期做demo、验证一个点子好不好玩的阶段，它或许就能派上用场，快速看个大概效果，省下不少时间。

相比之下，哪怕是时下流行的 vibe coding，终究还得有人真去写代码、打包、可能还要反复debug，而世界模型能让你几乎只用自然语言就把想法跑起来，更快，也更简单。

对一般玩家来说，它则可能成为做沙雕二创的顺手工具。想让某个角色出现在某个荒诞的场景里，想把两个八竿子打不着的设定缝在一起，过去这些想法最多只是视频画面，但现在或许点几下就能跑起来。

谁不想急头白脸一句话搓一个可操控的大翅膀原神？

蚂蚁灵波生成的内容，画面精度未必足够高，加上内置Agent会主动猜交互，还很可能会生成一些出人意料的内容，但正是这种低门槛地把奇思妙想落地的能力，让它天然适合生长出大量轻量、好玩、可传播的内容。

所以，与其把灵波看成一台还不够好的内容引擎，不如换个角度，把它看成一种全新的内容生产方式。它要解决的问题，从一开始就和视频模型、和传统引擎不一样。

03

它可能长出什么新东西？

更值得一提的是，蚂蚁灵波把打造一个可交互世界这件事的门槛，降到了一个前所未有的位置。

他们这次将代码和模型权重全面开源，不绑定特定的硬件或平台。开发团队告诉我，灵波只要两张4090就能跑起来。这意味着，世界模型不再是只有大厂的算力和预算才能碰的玩具。

一个中小团队、一个做同人二创的爱好者、一个纯粹为爱发电的个人，理论上都能把它搭在自己手边，反复地改、反复地试。这在过去是不可想象的——可交互的世界生成，一向是资源密集、门槛极高的活儿。

而当足够多的人能够使用它，最先被点燃的，很可能是二创。

对不少游戏IP来说，二次创作从来是越多越好，它是热度，是黏性，是IP生命力的延续。而灵波恰恰是一台批量生产二创素材的引擎，你有一个念头，不必懂技术实现，就能让它在一个能玩的世界里跑起来。

而且，二创作者在这里是轻装上阵的。他们不必顾虑穿帮和崩坏，反而更敢玩、更放得开，也就更容易玩出有意思的东西。

菲比在后室变异了

站在消费这一端，同样的逻辑也成立。

看二创的人，本来就不指望它有正经游戏那样的稳定和精度。甚至反过来，AI偶尔犯蠢、生成出一些荒诞离奇的画面，这份翻车本身就是乐趣所在，说不定还会变成社区里口口相传的梗。

在这个语境里，粗糙不是缺陷，奇葩不是bug，它们都是可被消费的内容。往前再走一步，这个形态或许已经接近业内所畅想的「3D抖音」——人人都能生成一个可运行的小世界，别人刷到了，点进去就能玩上一会儿。

如果把视野再放大，这件事的意义就不止于内容了。一个能实时预测「世界会如何随动作而变化」的模型，恰恰是具身智能最需要的那颗大脑——机器人要学会行动，先得能在脑子里预演行动的后果，而这正是世界模型的看家本领。

换句话说，今天用来让你搓一个能玩的开放世界的能力，明天也可能被用来训练一个更聪明的机器人：同一套理解并预测世界的底层能力，一头连着游戏，一头连着真实世界里的具身智能。

看到这儿，你应该发现了，和稳定的视频模型相比，虽然灵波不够精致，但它的价值不在画面，而在于可以重复操作，并真正地影响你所创作的世界。而且它第一次把做这件事的门槛，降低到了普通人够得着的位置。

虽然离很多人预想当中「用AI生成《头号玩家》」的愿景还有较远距离，但当下蚂蚁灵波生成世界的可玩程度，或许为某种新内容形态铺垫了雏形。一旦人人可造、可玩的世界这条路走通，被改写的不只是画质，而将是内容生产和消费的整个逻辑。

游戏葡萄招聘内容编辑，

（星标可第一时间收到推送和完整封面）