融资两亿美金，VAST 想做可交互内容生态的基座

最近，通用人工智能公司 VAST 完成了 A+ 及 A++ 两轮融资，合计近 2 亿美元。本轮融资由渶策资本、国寿长三角科创基金领投，深圳市人工智能终端产业基金、上海半导体产投、深创投、元生资本等产业与财务资本跟投。

伴随这笔融资一同亮相的，还有他们首次对外披露的世界模型项目：Project Eden（代号：伊甸园）。

这笔融资和新项目 demo 的发布，让原本就热闹的世界模型赛道，多了一个挺有意思的变量。

最近一年 AI 的进展快得让人有些喘不过气。前段时间，一位游戏公司老板对我说，行业现在对 AI 进展的反应很像收到地震预警：警报一响，你总得跑下楼看一眼。多数时候是虚惊一场，但你也不敢原地不动，因为说不定哪一次真就变天了。

世界模型给人的感受尤其如此。今年年初，谷歌 DeepMind 推出 Genie 3 后，资本市场的情绪被瞬间点燃，Unity 创下自 2022 年以来最惨的单日跌幅，Take-Two、Roblox 等游戏股也全线跳水。但业内很快反应过来，这更像是一次被 AI 叙事点燃的过激反应，Unity 的 CEO Matthew Bromberg 则点出了更根本的局限：这类世界模型的输出是概率性的、非确定性的。

从游戏行业的视角来看，Genie 3 的技术路线有某种天然缺陷。它能生成一段直观上高度逼真画面的视频，却撑不起一个真正能玩、能反复进入、甚至能多人联机的游戏世界。

相较而言，今天 VAST 推出自己首款世界模型项目 Project Eden 倒是让我眼前一亮。在世界模型之前，VAST 最为人熟知的是 Tripo 系列 AI 3D 生成模型，干的是“造万物”的活。在 VAST 的叙事里，从造万物走到造世界，是水到渠成的下一步。

“AI 3D 资产和世界模型，本来就是两轮驱动。” VAST 首席科学家曹炎培告诉我，他们从第一天开始的目标就是打造下一代可交互的 UGC 内容平台，AI 3D 解决的是“造万物”的极速与低门槛，而世界模型则是为了解决“造世界”的系统性推演，“这是技术演进的延长线，也是水到渠成的下一步。”

当绝大多数人都在谷歌 Genie 那种“动作条件视频生成”和 World Labs Marble 那种“静态 3D 场景生成”之间二选一时，Project Eden 走出了第三条路：把“世界状态的演化”和“画面的视觉呈现”在架构上原生解耦。

这套独特的架构，自然解锁了此前其他世界模型无法跨过的三道天堑：环境的长程持久、场景的自由复用，以及多人的并发交互。

01

被高估的两种路线，与 VAST 的独特解法

要看懂 VAST 这条路，我们先来看看此前的世界模型为什么很难在游戏行业内真正用起来。

生成式 AI 领域的知名科学家黄勋曾提出过区分“视频生成”与“真正的世界模型”的五条属性。一个真正的世界模型，需要在满足因果性、交互性的基础上，尽可能达到更好的持久性、实时性与物理准确性。拿这把尺子去量，我们会发现，目前在游戏行业被高度关注的两大主流路线，在面对生产级游戏的严苛标准时，都各自遇到了难以跨越的局限。

第一种是进展最快、也最瞩目的“视频生成派”，以 Genie 为代表。这种路线本质上是在做 2D 像素的自回归预测，看着已有的画面去猜下一帧的每个像素该长什么样。曹炎培直言，将这种端到端视频生成等同于世界模型是一个误区：“端到端视频模型所有的状态都与当前视角强绑定。一旦相机镜头转出墙角，模型就只能凭着上下文重新脑补，根本无法提供游戏所需的‘长程持久性’。”

视频生成派把两件量级完全不同的任务强行捆绑在了一起：一个是预测世界接下来会发生什么，这个信息其实相对较“轻”；另一个是把每一个像素都精确地画出来，这个信息极其“重”。这种轻重不分的底层逻辑，让它在实际应用中很像一个没有剧本的漫画家，必须一边画一边现编剧情，不仅导致画面在视角切换时容易发生漂移或畸变，也让多人联机交互变得极难实现。

第二种则是以 World Labs 的 Marble 为代表的“静态重建派”。这一派倡导的“空间智能”确实切中了空间几何的稳定性，能高速重建出可以游览的三维空间。但它的局限在于，它目前只有空间，没有时间。它缺乏在时间轴上推演状态的能力，造出来的是一个凝固的环境。用黄勋的标准来看，这种方案在“交互性”上有硬伤，它更像是一个精美的 3D 标本，漂亮，但无法演化。

既然视频生成派缺了“剧本”，静态重建派缺了“演变”，那么 Project Eden 的解法就是：把剧本和绘画的工作分开来做（解耦）。这使得它成为目前行业内首个允许对世界状态进行自主维护、并施加确定性控制的世界模型。

02

把状态和画面拆开：用 AI 造一台引擎

VAST 给出的技术范式，一句话概括，就是把“状态维护与预测”和“画面渲染与呈现”从架构上拆开来做。

这句话乍听起来很难理解。但对游戏人来说，这个思路其实非常眼熟：它很像游戏引擎的工作方式。引擎内存里维护着一份“世界数据库”，记录着所有物体的位置、属性和状态；当摄像机移动时，渲染管线再根据视角，把视野内的场景实时绘制成画面。状态归状态，画面归画面，两件事是分开的。

VAST 想做的，就是用 AI 在神经网络里造出这样一台引擎。这是一块非常难啃的骨头：状态怎么在神经网络里表达、用什么样的网络架构、如何获取并扩增海量的数据，在曹炎培看来，这其实是一个巨大的鸿沟。

为了跨越这个鸿沟，Project Eden 创新性地采用了解耦式的三层技术架构。

其底层是结构化状态层，统一维护场景的几何结构、物体属性与事件逻辑，全权负责客观状态的推演。

中间的条件接口层则作为状态与渲染的转换枢纽，依据不同视角将 3D 状态转化为约束条件，从根源上保障跨镜头的物理一致性。

最上层则是生成式渲染层，依托底层的客观状态与中间层的约束，按需实时渲染出精细化的视觉画面，补足动态细节。

曹炎培用 demo 中的“消防员灭火”的场景展现了 Project Eden 的工作逻辑：用户用一段提示词描述厨房、消防员和火灾的初始条件，这段描述会被直接转化为底层的隐式状态。当玩家控制消防员移动并按下灭火键时，喷了多少粉末、火有没有被浇灭，这些判定全部在底层的状态层中完成推演。哪怕此刻一帧画面都还没画出来，这个世界在底层已经“真的”在按某种物理逻辑运转了。

而在这之上的渲染层，则像是一个随时待命的写实画家，只需依据当前的底层状态，结合玩家此刻选定的任意视角，把那一帧画面渲染出来。在传统图形学中极难表现的气体扩散、火苗舔舐墙壁等流体运动，在这套架构里反而能被渲染层非常自然地模拟出来。

这种将状态与画面拆开的解耦设计，不仅在技术上更加优雅，也顺理成章地解决了游戏开发者最头疼的几个核心痛点。

首先是“一致性”的回归。因为世界状态是独立于视角被维护的，你转个身走开再转回来，那棵树还好端端地待在底层的数据库里，等着被重新渲染。视频生成派那种一转身物体就漂移、场景就畸变的老毛病，在这里从根源上被解决了。

其次是赋予了场景“可被反复利用”的生命力。既然世界状态是独立存在、可读可写的，那么玩家在场景里做过的事就会被真实地留下来。一个玩家砸坏了桌子，这个改动会实时写回底层状态，之后另一个玩家进入同一个场景，看到的会是破坏后的结果，而不是一个被重新脑补、完好如初的房间。

沿着这个逻辑，多人交互的难题也迎刃而解。因为底层摆着一份独立于视角的统一世界状态，多个玩家就可以共享这份状态，再各自渲染各自的视角。玩家与玩家、玩家与 NPC 之间，才谈得上真正的实时互动。这与今天多人游戏的“服务器-客户端”架构异曲同工。

此外，这种模式还带来了一个商业上的巨大优势，即算力成本的急剧下降。在解耦架构下，渲染层比较吃算力，而底层的状态推演是非常轻量的高维计算。这直接解决了视频生成路线“要为每个视角、每个在线用户单独从像素级生成画面，导致算力开销随人数呈指数级暴涨”的隐忧。

当然，这套架构目前依然处于比较早期的阶段。但在 Project Eden 的 demo 中，我们能看到它试图一步步啃下硬骨头：长时间一致的环境漫游、多玩家实时互动，以及一些确定性的机制判定。

03

临界点到来之前，它能在游戏开发里做什么？

看到这里，难免让人倒吸一口凉气，等这个技术真正成熟，做游戏会不会不需要引擎了？

曹炎培告诉我，世界模型真正去替代游戏引擎，是一个非常长期、困难诸多的目标。只有当世界模型推演状态转移的计算效率、稳定性和可控性，彻底越过了实时响应的阈值，这种突变才会发生。

而在眼下，与其争论哪一天会变天，不如看看在临界点到来之前，这套技术能够怎样走进游戏开发流程。

在当下的起步阶段，我们可以将这套解耦架构拆开，单点接入现有的游戏管线。比如后端的渲染模型可以朝“生成式渲染”的方向使用。设想你是个策划，没有很强的美术和程序能力，你可以先用非常简易的Blockout（灰模）把空间和关卡结构搭出来，验证玩法。然后，让渲染模型把这套灰扑扑的灰模，渲染成你想要的任意画风。

打光、精细资产制作、甚至复杂的物理现象呈现，都交给模型在后阶段去补。

对中小团队来说，这几乎等于把昂贵的美术工业化成本，缩减为一次模型调用。画风会从立项前就必须锁死的成本硬约束，变成上线前可以一键切换的“开关”。

与此同时，前端的状态预测模型则可以被单独拎出来，作为“智能状态机”使用，替开发者省掉大量写脚本、做状态机的重复劳动。比如门被踢一脚要转多少度、转多快、是否会反弹回来撞到人，动画或状态机可以直接由模型推演输出，而不必由程序员一行行代码去规定。

随着技术的成熟，更进一步的阶段则是让世界模型局部接管“动态与开放场景”。在这一阶段，游戏主体仍由传统代码驱动，但在一些特别开放、复杂、同时又不那么需要强确定性的动态场景里，可以调用世界模型来进行离线或小范围的推演。

例如，一场随机风暴对场景造成的破坏，或者大量 NPC 之间自发的交互行为。把确定性要求高的部分留给传统代码，把开放、随机、难以穷举的动态部分交给模型，是现阶段最舒服的切入口。

而只有在越过临界点之后，才会迎来整体替代硬编码的终局。

“我们希望用一个更通用、更低门槛的神经网络，去替代这些需要硬编码的逻辑和物理定义。”曹炎培说，理想状态下，未来所有基于代码逐一指定的繁琐逻辑，都将变成基于大模型的数据驱动推演，开发的门槛和效率将发生质的飞跃。

不过，世界模型和传统引擎的关系未必是一场你死我活的替代。正如 Epic 创始人 Tim Sweeney 曾给出的中肯判断：未来我们会看到“以引擎为中心的 AI”和“以世界模型为中心的 AI”不断相互追赶、融合，直到某一天两者结合在一起。

VAST 正在做的，正是把“以世界模型为中心”这条路尽可能往前蹚，而临界点到来之前的每一步，都能为游戏行业递上一份实实在在的工具箱。

结尾

世界模型要走向真正的技术完善与工业落地，依然需要一个渐进的过程。在计算效率、物理规则的绝对精确性以及大范围场景推演的稳定性上，神经网络引擎还有不少技术阶梯要跨越。

不过，支撑这台引擎运转的 3D 资产，正在变得越来越充沛。作为 VAST 的核心业务，其自研的 Tripo 系列 3D 大模型在过去一段时间经历了快速迭代，今年 3 月上线的 Tripo H3.1 和 Tripo P1.0 模型，在几何精度和生成速度上都走向了工业级可用。

近期，他们还在 Tripo Studio 上线了 8K AI 贴图算法，将原本需要数天的手工绘制或扫描流程压缩至 2 分钟以内，并推出了支持三档颗粒度控制的“智能部件分割 V2”，让生成的 3D 资产能自动分件并直接进入下游管线。

此外，VAST 也在通过开源来推进行业共建，目前已累计对外开源了超 30 个项目，包括与清华、港大等高校联合开源的 TripoSplat、AniGen、SkinTokens、LegoACE 等，涵盖了动态分辨率、自动绑骨等多个前沿方向。

在应用层面，其一站式工作台 Tripo Studio 目前已聚集了 2000 万创作者，并与腾讯、网易、阿里、字节等头部企业建立了深度合作。

在 VAST 的技术蓝图中，世界模型与 3D 资产大模型并不是孤立的，而是“双轮驱动”的闭环。他们的长期愿景很明确：做“UGC 互动平台和 3D 内容生态的基座”。

在这个基座之上，无论是专业开发者还是普通创作者，未来或许都能以更低的门槛、更高的自由度去创造和探索可交互的数字世界。

神经网络引擎的成熟确实需要时间，但随着底层 3D 资产的充沛与解耦架构的跑通，一个数据驱动、可实时交互的数字空间，正在从概念走向现实。而 VAST 正在为此提供技术与生态层面的铺垫。