一句話造世界！開發者用10天婚假爆肝，讓AI小鎮真正「活」了過來

新智元報道

編輯：LRST

【新智元導讀】2023年斯坦福「AI小鎮」火了，后續也誕生了大量類似的熱門項目，但所有這類項目都有一個共同瓶頸——世界是人工搭建的，固定的。最近，一位獨立開發者用10天婚假爆肝了一個項目WorldX：輸入一句話、5分鐘，一個完整的AI世界就誕生了——地圖、角色、動畫、人設全部自動生成，AI角色們自主在其中生活、對話、形成記憶、產生戲劇性的涌現行為。

輸入這樣一句話：「夜晚的宋朝繁華夜市，有當鋪掌柜、算命先生、捕快、小偷、酒鬼，還有一個剛從現代穿越來的網紅。」

5分鐘后，一張工筆畫風格的宋朝夜市地圖出現在你面前。當鋪、算命攤、菩薩像各居其位。

然后6個角色自己開始活動——

當鋪掌柜守著柜臺念叨被偷的事，算命先生等客上門，捕快四處巡邏打聽線索，小偷裝作普通路人混在人群里，酒鬼醉醺醺地從街頭晃到街尾。而那個穿越來的網紅——飄逸長發、衣著和旁人格格不入——正被所有人好奇地打量著。

沒人寫過劇本。

接下來發生的一切，完全由AI角色自主決定。捕快可能會找上每一個人盤問；小偷可能會主動接近捕快試探，又會突然覺得自己暴露了想找借口溜走；算命先生會拉住穿越來的網紅說「姑娘印堂發暗」；酒鬼可能會撞翻當鋪掌柜的招牌，引來一場爭吵。

這是一個真正「活著」的AI世界。

項目地址：https://github.com/YGYOOO/WorldX

技術解析：https://zhuanlan.zhihu.com/p/2032410449854068566

AI小鎮火了3年

還沒解決「造世界」

故事得從2023年說起。

那一年，斯坦福發布了著名的Generative Agents論文——25個AI角色在一個虛擬小鎮里自主生活、社交、形成記憶，展現出令人驚嘆的「 涌現行為」�！窤I小鎮」這個概念瞬間出圈，引爆了整個Agent研究領域。

之后3年里，類似的熱門項目層出不窮，ai-town、Microverse、AgentSims、TinyTroupe……都在試圖復現并擴展這件事。

但所有這些項目，都有一個共同的瓶頸：

世界是寫死的。

地圖需要人工繪制。角色需要逐個手動配置。場景交互需要逐條編排。你想換一個「賽博朋克拉面館」或者「末日便利店」的設定？對不起，從頭來過。

學術界也意識到了這個問題。盛大AI研究院、上海AI Lab等機構聯合發表了「World Craft」（arXiv 2601.09150）嘗試解決這件事——但論文中也明確寫道：當前系統只支持室內場景（住宅、辦公室、單體建筑內部），不支持街道、廣場、開放世界。而且地圖風格高度同質化——都是從一個5500+素材庫里檢索拼裝的標準RPG像素風。

真正「任意一句話造任意一個世界」，迄今沒人做到。

直到WorldX出現。

「一句話造世界」的5分鐘魔法

WorldX讓這件事變得簡單到不可思議。

你只需要輸入：

• 末日便利店，6個幸存者擠在里面

• 北宋汴京夜市，有算命的、說書的、捕快和一個穿越者

• 魏無羨的師姐江厭離、卡卡西的摯友帶土、扶蘇、晴雯——那些沒等到好結局的人住進了同一個小鎮

• 6個經典反派被關進了一個像素小鎮：容嬤嬤、伏地魔、滅霸、琴酒……

5分鐘后，一個完整的、有美術風格、有角色立繪動畫、有完整運行邏輯的AI世界就出現在你面前。每一個世界都是從零生成的，沒有任何模板復用。

更關鍵的是——生成完只是開始。

進入世界后，你會看到：

• 每個AI角色在地圖上自由走動、決策、互動

• 角色頭頂會冒出對話氣泡和內心獨白OS（小偷和捕快客套時心里想著「她不會已經知道了吧……」——節目效果直接拉滿）

• 角色們形成記憶、產生情緒、做出反思——一天結束時它們會在腦海里回顧今天發生的事

• 世界有真實的時間流轉，凌晨1點夜市會自動收攤，第二天19點又重新開張

而你呢？你是這個世界的「上帝」。

你可以：

• 全局廣播事件——「突然下大雨了」，所有角色下次決策時都會知道

• 給特定角色耳語/托夢——你突然想起當年捕快辦過的一樁舊案……

• 實時修改角色人設——把「老實木訥」改成「心機深沉」，看世界走向會怎么變

• 把任意角色「拉出來」，和它進行架空對話——而且不影響主世界進程

更絕的是WorldX還做了多時間線 + 歷史回放機制——同一個世界可以衍生出多條時間線，看相同的初始條件下故事是否會走向同一個結局；任意一段歷史也能像看錄像一樣被回放，讓你不錯過任何「名場面」。

最難的關卡

讓AI看懂自己生成的圖

作者自己列了一份「卡點問題」清單，每一項都幾乎能讓整個項目卡死，比如下面這個問題：

如何讓代碼精確知道——AI生成的這張地圖里，哪些區域是可行走的？

這件事看起來簡單——人一眼就能看出哪里能走、哪里是樹木屋頂。但要讓代碼知道，意味著需要精確到每個像素的坐標。而文生圖模型生成的地圖，本質上就是一張「圖片」，沒有任何分層、標注、坐標信息。

最直覺的方案是讓多模態大模型（如 Gemini 3 Pro）直接看圖返回坐標。作者實測后發現完全行不通——VLM輸出的像素坐標誤差極大，同一張圖問兩次能給出差很遠的答案。

這是大模型的本質局限：它們被訓練出來是為了像人一樣理解圖片內容，而不是當尺子用——人也遠不可能肉眼看出精確坐標。

加網格輔助呢？作者也試了——給圖片打上參考線，然后讓 VLM 看著網格定位，再加自我審查循環不斷糾偏。有效，但只對建筑、可交互元素這種「小目標」非常勉強地能用。對于「可行走區域」這種大范圍、不規則的區域標注，幾乎不可解。

真實游戲地圖中，「可行走區域」可能是通過幾百幾千個 16×16px 的小方塊拼出來的。讓大模型一個個標？token 都不夠燒的。

作者甚至挨個問了所有頂尖模型，沒有一個能給出可行的方案。

靈感的瞬間：讓AI涂色，讓代碼算坐標

轉折點來自一個「換位思考」的瞬間——如果是一個真人，要在地圖上把所有可行走區域標出來，他會怎么做？

可以直接拿水彩筆，把可行走區域涂出來。這連小孩子都能做。

然后，只要把「涂之前」和「涂之后」的兩張圖做像素級色差對比，就能精確算出所有被涂抹區域的坐標。某個像素顏色變了，說明被涂抹了；顏色沒變，就沒被涂抹。代碼層面，這是一段完全確定性、不依賴任何AI的計算。

那么問題來了：讓AI涂色這件事，做得到嗎？

答案是：做得到。

而且能做到的工具，就是和「畫地圖」用的同一類——文生圖大模型。

作者把文生圖大模型作為「識圖工具」使用——把原圖作為參考，讓它用半透明的青色覆蓋出所有可行走區域。

然后用一段固定的代碼，逐 tile 比較兩張圖的色彩差異，檢測青色偏移：

強證據：ΔG ≥ 18 且 ΔB ≥ 18 且 ΔR ≤ 8

弱證據：ΔG ≥ 10 且 ΔB ≥ 10 且 ΔR ≤ 14

最終得到精確的可行走網格。

這就是WorldX的一個關鍵實現——「疊加標注 + 差異定位」。

它把問題拆成了兩半：讓AI做它擅長的事（畫出位置），讓CV算法做AI不擅長的事（算出精確坐標）。生成式AI的不確定性輸出被轉化成了確定性的CV計算，這是整個管線能穩定跑起來的關鍵。

有意思的是， WorldX 開源后沒幾天，Google DeepMind發布了Vision Banana 論文（arXiv:2604.20329），系統性地驗證了"圖像生成模型天然具備強大視覺理解能力，可以通過色彩編碼輸出完成分割、深度估計等視覺任務"這一核心洞察。

WorldX在工程上獨立摸索出了同一個方向——不讓VLM 直接報坐標，而是讓圖像編輯模型涂色，再用色差計算提取精確坐標——這或許說明這條路的直覺是正確的。當然兩者的具體實現不同：Vision Banana需要指令微調，WorldX則是 zero-shot的純工程方案。

多色彩區分+自我審查：把不可能變成穩定可用

可行走區域的問題解了，還有一個相關問題——當地圖上有多個不同的功能區（當鋪、算命攤、菩薩像）時，怎么知道哪個色塊對應哪個？

很簡單：用不同顏色區分。當鋪涂紅色，算命攤涂藍色，菩薩像涂黃色——色差定位時按顏色歸類。

為了避免色彩太多導致模型標注錯亂，作者限制了每次最多標注4個元素，分批進行。

然后還有一個設計——自我審查 + 約束累積：

每生成完一輪地圖或標注，系統會把結果發給視覺審查 LLM 做結構化 Review。如果不通過，反饋不會被當作「重新開始」的理由——而是被轉化成中文約束，追加（不是替換）到下一次 Prompt 中。

每一輪生成都「記住」了之前的教訓，約束越來越精確，整個過程像漏斗一樣逐步收斂。

這套機制貫穿整個生成管線——從地圖生成到功能區定位、可交互元素定位、可行走區域標注，每一步都有「生成 → 審查 → 約束注入 → 重試」的循環。

整個地圖生成管線一共6步：

1. 生成全景地圖（帶審查重試，最多4次）

2. 壓縮工作圖（降低下游 token 開銷）

3. 三路并行：功能區定位 + 可交互元素定位 + 可行走區域標注（每一路都有自己的審查重試）

4. 像素級計算可行走網格（純 CV，不依賴 LLM）

5. 坐標映射 + 拼裝 Tiled JSON（標準游戲地圖格式，引擎可直接加載）

整個流程跑下來，token 成本被作者控制到一個相當可控的水平（生成一個世界只需約3～18萬token）——他在博客里寫下了一句很有溫度的話：「我希望這最終能成為一種普惠的、人人可用的架構，在一線大模型廠商不斷漲價、限流、砍權益的情況下，更加促使了我對這一點的堅持。當然還有個原因是我錢不夠�！�

AI角色怎么「活」起來？Tick循環+三層記憶+雙維度情緒

世界生成完畢，Server加載配置，模擬引擎啟動。從這一刻起，所有角色的行為完全由AI自主驅動。

引擎以Tick為基本時間單位運行（默認每Tick = 游戲內 30 分鐘）。每個Tick內部都是一套精心編排的流程：

1. 決策波（并行）：所有可決策角色同時走「感知環境 → 構建動作菜單 → LLM決策」

2. 對話調度（沖突消解）：貪心算法分配，每個角色每 Tick 最多參與一個對話會話

3. 動作執行：非對話動作串行（避免共享狀態沖突），對話會話并行

4. 微反思（每模擬小時觸發）：從近期經歷提煉洞察，調整情緒和關注焦點

5. 跨日轉場：一天結束時觸發深度反思、記憶衰減、狀態快照

記憶系統作者用了一個透明的四維加權評分：

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

為什么不用向量數據庫？

作者的解釋相當樸素：在這種 Agent 系統里，可調試比精度更重要。角色'總忘記重要的事'？把importance權重調高。'總沉浸在過去'？把 recency 調高。權重是透明的，改完馬上能驗證。向量數據庫在這個場景下反而是個黑盒。

記憶還有完整的生命周期——衰減、鞏固、淘汰。被頻繁回憶的、情感強烈的、重要的記憶會被鞏固為長期記憶；其余的逐漸淡忘。

「人類也會遺忘，然而這非但不是 bug，還是超級 feature。適當的遺忘是記憶迭代、重組的前提，是信息的壓縮、理解、泛化�！棺髡咴诓┛屠飳懙�。

情緒用雙維度模型——Valence（效價）+ Arousal（喚醒度），能表達比單標簽豐富得多的情緒狀態：興奮、焦慮、平和、憤怒。情緒只在「明顯波動」時才對其他角色可見，避免了「每個人都是情緒透明人」的不真實感。

與斯坦福Generative Agents的對比

「Generative Agents 證明了'AI 角色可以涌現出有趣的社會行為'，WorldX 在此基礎上進一步回答了'怎么讓任何人描述一句話就能擁有一個自己的 AI 世界'�！�

一個開發者的婚假10天

最后說一件讓人印象深刻的事——這個項目是作者在10天婚假里獨立爆肝出來的。

聲明：此項目由本人在婚假10天中爆肝vibe coding完成，時間確實有限，還有很多待優化的點會后續實現

10天，從零到一個能跑的「一句話造世界」系統。包括：

• 一套完整的多模態生成管線（含6步地圖生成 + 角色立繪 + 摳圖）

• 一套基于 Tick 的 AI 模擬引擎（含三層記憶、雙維度情緒、對話調度、反思機制）

• 一個 Phaser + React 的客戶端（含尋路、動畫、轉場、回放、多時間線）

• 一套上帝系統、雙語支持……

這或許才是vibe coding時代真正改變了什么——讓一個獨立開發者，用業余時間也能做出過去需要一個團隊的事。

未來

身臨其境、世界走廊、視覺小說

作者列出了幾個讓人期待的方向：

• 身臨其境：用戶附身到某個角色（或自創角色）直接進入世界，和 AI 角色們一起生活、對話、影響走向

• 世界畫廊：搞一個社區，大家分享自己創造的世界，像應用商店一樣瀏覽各種光怪陸離的 AI 世界

• 視覺小說：根據一段故事大綱，讓系統自動演繹為完整的視覺小說

• 無限地圖：目前地圖大小是固定的，理論上可以實現角色接近邊界時就自動生成新的地圖

• 多場景聯動：讓一個世界的角色「走進」另一個世界，產生跨世界互動

文章最后，作者留下了一段相當哲學的話，我也忍不住把它放在這里：

「如今，我們已經可以通過一句話創造一個小型的、有一定智能的'迷你虛擬世界'了。隨著模型能力的不斷增強，能生成的世界也一定會愈發接近真實。我們是不是也在虛擬世界中呢？一旦某一天人類真正創造了與真實無二的虛擬世界，且這個世界中的人真的有了意識，那我們自己也處在虛擬世界中的概率將會立馬變成無窮大——因為遞歸創世，直至無限。不過那種程度的'虛擬'已經就是'真實'了吧�！�

目前離那個遞歸宇宙還很遠。但在那之前，可能會先迎來一個更近的未來——每個人都擁有一個屬于自己的虛擬世界，自己住進去，過自己想過的生活。就像今天每個人擁有自己的朋友圈、短視頻賬號一樣自然。

那時，我們看待娛樂、陪伴、內容這些詞的方式，可能都會被悄悄改寫。 WorldX 現在做的，是這件事的開始。

參考資料：

https://github.com/YGYOOO/WorldX