从像素到状态：交互式世界模型为何还不像真正的游戏引擎

导语

过去一年，视频生成模型让“用 AI 直接生成可玩的游戏世界”成为热门想象：玩家按下按键，模型预测下一帧画面，似乎就能替代传统游戏引擎。但这篇题为 From Pixels to States: Rethinking Interactive World Models as Game Engines 的论文提醒我们，真正的游戏并不是连续视频片段的拼接，而是一套围绕动作、状态和观察不断循环的系统。

作者把传统游戏引擎的工作方式概括为一个递归闭环：玩家动作改变显式游戏状态，规则系统根据状态推进世界，渲染器再把状态转化为玩家看到的画面。以此为参照，论文重新审视了交互式世界模型离“游戏引擎”还有多远。

核心要点

• 玩家动作控制不只是条件输入。 对视频生成模型而言，把键盘、鼠标或手柄操作作为条件输入并不难；难的是让同一个动作在不同场景、不同角色状态下产生符合规则的结果。例如，攻击、闪避、移动并不是视觉变化的按钮，而是会受到体力、碰撞、敌人位置等状态约束的行为。

• 游戏状态动态是关键缺口。 论文强调，交互世界需要随时间演化的状态：角色血量、物品、位置、敌人行为、任务进度等都必须被持续追踪。若模型只在像素空间里预测下一段画面，就容易出现短期看似合理、长期却违背规则的问题。

• 状态与观察必须长期一致。 真正的游戏后果具有持久性：打开过的门不能随意复原，击败的敌人不应凭空出现，角色消耗的资源也应被记住。论文将“状态—观察持久性”列为单独维度，说明这是从演示级生成走向可玩系统的必要条件。

• 实时生成仍是硬门槛。 游戏引擎必须在交互循环中即时反馈。即使模型能生成高质量视频，如果延迟过高、推理速度不稳定，也难以支撑真正的实时玩法。因此，实时交互生成不只是工程优化，而是世界模型能否成为引擎的基础指标。

数据层面的补充

除了综述与分析，论文还介绍了一个面向《黑神话：悟空》的可扩展数据引擎。该数据资源收集了超过 90 小时的游戏过程，并包含与帧对齐的玩家动作、真实游戏状态、视觉观察，以及结构化和语义标注。相比只收集游戏画面的视频数据，这类数据更接近训练“状态感知”世界模型所需的形式。

这点很重要：如果未来模型要学会像游戏引擎一样工作，就不能只看见屏幕，还要理解屏幕后面有哪些变量在变化。动作、状态、画面三者的对齐数据，可能会成为训练交互世界模型的基础设施。

意义与影响

这篇论文的价值不在于发布一个新的生成模型，而在于给“AI 游戏引擎”设定了更清晰的评价框架。它把讨论从“画面像不像”推进到“世界是否按规则运行、后果是否持续、玩家是否能实时控制”。

对游戏行业而言，生成式模型短期内更可能成为关卡原型、视觉预演、NPC 行为或内容生产工具；要完全取代传统引擎，还需要解决状态建模和实时闭环问题。对 AI 研究而言，游戏提供了一个兼具视觉复杂性、规则约束和交互反馈的理想试验场。下一阶段的世界模型竞争，或许将从“生成更清晰的视频”转向“维护一个更可靠的世界”。

来源：arXiv