Mit einer Finanzierung in Höhe von 200 Millionen US-Dollar will VAST die Grundlage für ein Ökosystem interaktiver Inhalte schaffen

Vor kurzem hat das Unternehmen für allgemeine künstliche Intelligenz VAST zwei Finanzierungsrunden der Serien A+ und A++ abgeschlossen, deren Gesamtvolumen sich auf fast 200 Millionen US-Dollar belief.Diese Finanzierungsrunde wurde von Yuce Capital und dem China Life Yangtze River Delta Science and Technology Innovation Fund angeführt, während sich Industrie- und Finanzinvestoren wie der Shenzhen Artificial Intelligence Terminal Industry Fund, Shanghai Semiconductor Industry Investment, Shenzhen Venture Capital und YuanSheng Capital daran beteiligten.

Zusammen mit dieser Finanzierungsrunde wurde auch ihr Weltmodell-Projekt vorgestellt, das sie erstmals der Öffentlichkeit präsentierten: Project Eden (Codename: Eden).

Diese Finanzierungsrunde und die Veröffentlichung der Demo des neuen Projekts haben dem ohnehin schon lebhaften Markt für Weltmodelle eine weitere interessante Variable hinzugefügt.

Die Fortschritte im Bereich der KI waren im letzten Jahr so rasant, dass man kaum noch den Überblick behalten konnte.Vor einiger Zeit sagte mir der Chef eines Spieleunternehmens, dass die Branche derzeit auf die Fortschritte im Bereich der KI ähnlich reagiert wie auf eine Erdbebenwarnung: Sobald der Alarm ertönt, muss man einfach nach unten laufen, um nachzuschauen. Meistens ist es nur ein falscher Alarm, aber man wagt es nicht, einfach stehen zu bleiben, denn wer weiß – vielleicht ändert sich die Lage ja dieses eine Mal wirklich.

Dies gilt insbesondere für Weltmodelle. Als Google DeepMind Anfang dieses Jahres „Genie 3“ vorstellte, kam es zu einer sofortigen Aufregung an den Kapitalmärkten: Unity verzeichnete den stärksten Tagesverlust seit 2022, und auch die Aktien von Spieleunternehmen wie Take-Two und Roblox brachen durchweg ein.Doch die Branche erkannte schnell, dass es sich eher um eine durch die KI-Erzählung angeheizte Überreaktion handelte, und Matthew Bromberg, CEO von Unity, wies auf eine grundlegendere Einschränkung hin: Die Ergebnisse solcher Weltmodelle sind probabilistisch und unbestimmt.

Aus Sicht der Spielebranche weist der technologische Ansatz von Genie 3 einen gewissen grundlegenden Mangel auf. Es kann zwar ein Video mit intuitiv sehr realistischen Bildern erzeugen, ist jedoch nicht in der Lage, eine Spielwelt zu unterstützen, die man tatsächlich spielen, immer wieder betreten und in der sogar mehrere Spieler online zusammen spielen können.

Im Vergleich dazu hat mich die heutige Vorstellung von „Project Eden“, dem ersten Weltmodell-Projekt von VAST, wirklich beeindruckt.Vor der Entwicklung von Weltmodellen war VAST vor allem für seine „Tripo“-Reihe von KI-gesteuerten 3D-Generierungsmodellen bekannt, die sich mit der „Erschaffung aller Dinge“ befassten. Nach VASTs Darstellung ist der Schritt von der Erschaffung aller Dinge zur Erschaffung von Welten eine logische Weiterentwicklung.

„AI-3D-Assets und Weltmodelle sind von Natur aus zwei treibende Kräfte.“ Cao Yanpei, Chefwissenschaftler bei VAST, erklärte mir, dass es von Anfang an ihr Ziel gewesen sei, eine interaktive UGC-Plattform der nächsten Generation zu schaffen. KI-3D sorge für die rasante Geschwindigkeit und niedrige Einstiegshürde beim „Erschaffen aller Dinge“, während das Weltmodell dazu diene, die systematische Ableitung beim „Erschaffen von Welten“ zu lösen.„Dies ist die logische Fortsetzung der technologischen Entwicklung und der nächste Schritt, der sich ganz natürlich ergibt.“

Während sich die überwiegende Mehrheit zwischen der „Generierung von Videos anhand von Bewegungsbedingungen“ wie bei Google Genie und der „Generierung statischer 3D-Szenen“ wie bei World Labs Marble entscheiden muss, beschreitet Project Eden einen dritten Weg: die „Entwicklung des Weltzustands“ und die „visuelle Darstellung der Bilder“ werden auf architektonischer Ebene nativ voneinander entkoppelt.

Diese einzigartige Architektur überwindet auf natürliche Weise drei Hürden, die bisherige Weltmodelle nicht überwinden konnten: die langfristige Beständigkeit der Umgebung, die freie Wiederverwendbarkeit von Szenen sowie die gleichzeitige Interaktion mehrerer Spieler.

01

Zwei überschätzte Ansätze und die einzigartige Lösung von VAST

Um den Weg von VAST zu verstehen, wollen wir uns zunächst einmal ansehen, warum es bisher so schwierig war, dieses Weltmodell in der Spieleindustrie tatsächlich anzuwenden.

Huang Xun, ein renommierter Wissenschaftler auf dem Gebiet der generativen KI, hat einst fünf Merkmale vorgeschlagen, anhand derer sich „Videogenerierung“ von einem „echten Weltmodell“ unterscheiden lässt.Ein echtes Weltmodell muss auf der Grundlage von Kausalität und Interaktivität ein Höchstmaß an Beständigkeit, Echtzeitfähigkeit und physikalischer Genauigkeit erreichen. Gemessen an diesem Maßstab stellen wir fest, dass die beiden derzeit in der Spielebranche stark beachteten Hauptansätze angesichts der strengen Anforderungen an produktionsreife Spiele jeweils auf unüberwindbare Grenzen stoßen.

Der erste Ansatz ist der am schnellsten voranschreitende und zugleich auffälligste, die „Videogenerierung“, für die Genie stellvertretend steht. Bei diesem Ansatz handelt es sich im Wesentlichen um eine autoregressive Vorhersage von 2D-Pixeln, bei der anhand des vorhandenen Bildes geschätzt wird, wie jedes Pixel des nächsten Frames aussehen soll.Cao Yanpei erklärt offen, dass es ein Irrtum sei, diese Art der End-to-End-Videogenerierung mit einem Weltmodell gleichzusetzen: „Alle Zustände eines End-to-End-Videomodells sind fest an die aktuelle Perspektive gebunden. Sobald die Kamera aus der Ecke schwenkt, kann das Modell nur noch anhand des Kontexts neu rekonstruieren und ist völlig unfähig, die für Spiele erforderliche ‚Langzeitpersistenz‘ zu gewährleisten.“

Die Video-Generierung verbindet zwei Aufgaben von völlig unterschiedlichem Umfang gewaltsam miteinander: Zum einen geht es darum, vorherzusagen, was als Nächstes in der Welt passieren wird – eine Information, die eigentlich relativ „leicht“ ist; zum anderen darum, jedes einzelne Pixel präzise zu zeichnen – eine Information, die extrem „schwer“ ist.Diese zugrunde liegende Logik, bei der nicht zwischen „leicht“ und „schwer“ unterschieden wird, lässt das System in der praktischen Anwendung wie einen Comiczeichner ohne Drehbuch wirken, der die Handlung während des Zeichnens spontan erfinden muss. Dies führt nicht nur dazu, dass es bei Perspektivwechseln leicht zu Verschiebungen oder Verzerrungen im Bild kommt, sondern macht auch die Interaktion mehrerer Spieler im Online-Modus äußerst schwierig.

Die zweite Richtung ist die „statische Rekonstruktionsschule“, für die Marble von World Labs steht. Die von dieser Schule vertretene „räumliche Intelligenz“ trifft zwar den Kern der Stabilität räumlicher Geometrie und ermöglicht die schnelle Rekonstruktion von dreidimensionalen Räumen, die man erkunden kann. Ihre Einschränkung besteht jedoch darin, dass sie derzeit nur den Raum, nicht aber die Zeit berücksichtigt.Es fehlt ihr die Fähigkeit, Zustände entlang einer Zeitachse zu simulieren; das Ergebnis ist eine erstarrte Umgebung. Nach den Maßstäben von Huang Xun weist dieser Ansatz gravierende Mängel hinsichtlich der „Interaktivität“ auf; er gleicht eher einem exquisiten 3D-Präparat – schön anzusehen, aber ohne Entwicklungsmöglichkeiten.

Da es der „Video-Generierung“ an einem „Drehbuch“ und der „statischen Rekonstruktion“ an einer „Entwicklung“ mangelt, besteht die Lösung von Project Eden darin, die Arbeit am Drehbuch und die der Bildgestaltung voneinander zu trennen (Entkopplung). Damit ist es derzeit das erste Weltmodell in der Branche, das eine autonome Pflege des Weltzustands sowie eine deterministische Steuerung ermöglicht.

02

Trennung von Zustand und Darstellung: Entwicklung eines Motors mithilfe von KI

Das von VAST vorgestellte technische Paradigma lässt sich kurz gesagt so zusammenfassen, dass „Zustandsverwaltung und -vorhersage“ sowie „Bildrendering und -darstellung“ architektonisch voneinander getrennt werden.

Auf den ersten Blick ist dieser Satz schwer zu verstehen. Für Spieleentwickler ist dieser Gedankengang jedoch sehr vertraut: Er ähnelt stark der Funktionsweise einer Spiel-Engine.Im Speicher der Engine wird eine „Weltdatenbank“ verwaltet, in der die Positionen, Eigenschaften und Zustände aller Objekte erfasst sind; wenn sich die Kamera bewegt, rendert die Render-Pipeline die Szene im Sichtfeld entsprechend dem Blickwinkel in Echtzeit als Bild. Der Zustand ist der Zustand, das Bild ist das Bild – beides ist voneinander getrennt.

VAST möchte mithilfe von KI eine solche Engine in einem neuronalen Netzwerk entwickeln. Das ist eine äußerst knifflige Aufgabe: Wie lassen sich Zustände in einem neuronalen Netzwerk darstellen, welche Netzwerkarchitektur soll verwendet werden und wie lassen sich riesige Datenmengen beschaffen und erweitern? Aus Sicht von Cao Yanpei stellt dies tatsächlich eine enorme Hürde dar.

Um diese Kluft zu überbrücken, setzt Project Eden innovativ auf eine entkoppelte dreischichtige Technologiearchitektur.

Die unterste Ebene bildet die strukturierte Zustandsschicht, die die geometrische Struktur der Szene, die Objekteigenschaften und die Ereignislogik einheitlich verwaltet und die alleinige Verantwortung für die Ableitung des objektiven Zustands trägt.

Die dazwischenliegende Schnittstellenschicht fungiert als Dreh- und Angelpunkt für die Umwandlung von Zuständen in Darstellungen. Sie wandelt den 3D-Zustand je nach Blickwinkel in Randbedingungen um und gewährleistet so von Grund auf die physikalische Konsistenz über verschiedene Kameraeinstellungen hinweg.

Die oberste Ebene bildet die generative Rendering-Ebene, die auf der Grundlage des objektiven Zustands der unteren Ebene und der Vorgaben der mittleren Ebene bei Bedarf in Echtzeit detaillierte visuelle Darstellungen rendert und dynamische Details ergänzt.

Cao Yanpei veranschaulichte die Funktionsweise von Project Eden anhand der Demo-Szene „Feuerwehrmann löscht Feuer“: Der Nutzer beschreibt die Ausgangsbedingungen für die Küche, den Feuerwehrmann und das Feuer anhand eines Prompts, und diese Beschreibung wird direkt in einen impliziten Zustand auf der untersten Ebene umgewandelt.Wenn der Spieler die Bewegung des Feuerwehrmanns steuert und die Taste zum Löschen drückt, werden alle Entscheidungen – wie viel Löschpulver versprüht wird und ob das Feuer gelöscht wurde – vollständig in der zugrunde liegenden Zustandsschicht simuliert. Selbst wenn zu diesem Zeitpunkt noch kein einziges Bild gerendert wurde, funktioniert diese Welt im Hintergrund bereits „wirklich“ nach einer bestimmten physikalischen Logik.

Die darüber liegende Rendering-Ebene gleicht einem realistischen Maler, der jederzeit einsatzbereit ist: Er muss lediglich den aktuellen Zustand der unteren Ebene berücksichtigen, diesen mit der vom Spieler gerade gewählten Perspektive kombinieren und so das jeweilige Bild rendern.Fluidbewegungen wie die Ausbreitung von Gasen oder Flammen, die an Wänden entlangzüngeln – die in der traditionellen Grafik nur sehr schwer darzustellen sind –, lassen sich in dieser Architektur von der Rendering-Ebene hingegen sehr natürlich simulieren.

Dieses entkoppelte Design, bei dem Zustand und Darstellung voneinander getrennt sind, ist nicht nur technisch eleganter, sondern löst auch auf logische Weise einige der größten Probleme, die Spieleentwicklern am meisten Kopfzerbrechen bereiten.

An erster Stelle steht die Rückkehr zur „Konsistenz“. Da der Zustand der Welt unabhängig vom Blickwinkel beibehalten wird, befindet sich der Baum – selbst wenn man sich umdreht, weggeht und dann wieder zurückkommt – immer noch unversehrt in der zugrunde liegenden Datenbank und wartet darauf, neu gerendert zu werden.Das altbekannte Problem der videogenerierten Darstellungen, bei denen Objekte beim Umdrehen verrutschen und Szenen verzerrt werden, wird hier an der Wurzel gelöst.

Zweitens wird der Szene die Lebendigkeit verliehen, „wiederverwendbar“ zu sein. Da der Zustand der Welt eigenständig existiert und sowohl lesbar als auch beschreibbar ist, bleiben die Handlungen der Spieler in der Szene realistisch erhalten.Wenn ein Spieler einen Tisch zertrümmert, wird diese Änderung in Echtzeit in den zugrunde liegenden Zustand geschrieben. Betritt anschließend ein anderer Spieler dieselbe Szene, sieht er das Ergebnis der Zerstörung und nicht einen neu generierten, unversehrten Raum.

Nach dieser Logik lässt sich auch das Problem der Interaktion zwischen mehreren Spielern mühelos lösen. Da im Hintergrund ein einheitlicher Weltzustand existiert, der unabhängig von der jeweiligen Perspektive ist, können mehrere Spieler diesen Zustand gemeinsam nutzen und dann jeweils ihre eigene Perspektive rendern.Erst so ist eine echte Echtzeit-Interaktion zwischen Spielern sowie zwischen Spielern und NPCs möglich. Dies funktioniert nach dem gleichen Prinzip wie die heutige „Server-Client“-Architektur von Multiplayer-Spielen.

Darüber hinaus bietet dieses Modell einen enormen wirtschaftlichen Vorteil, nämlich den drastischen Rückgang der Rechenkosten.In einer entkoppelten Architektur beansprucht die Rendering-Ebene relativ viel Rechenleistung, während die darunterliegende Zustandssimulation eine sehr ressourcenschonende, hochdimensionale Berechnung darstellt. Dies beseitigt direkt die latente Sorge im Zusammenhang mit der Videogenerierung, dass „für jede Perspektive und jeden Online-Nutzer Bilder separat auf Pixelebene generiert werden müssen, was zu einem exponentiellen Anstieg des Rechenaufwands mit steigender Nutzerzahl führt“.

Natürlich befindet sich diese Architektur derzeit noch in einem relativ frühen Stadium. In der Demo zu „Project Eden“ können wir jedoch beobachten, wie sie versucht, die größten Herausforderungen Schritt für Schritt zu meistern: konsistentes Erkunden der Umgebung über einen längeren Zeitraum, Echtzeit-Interaktion zwischen mehreren Spielern sowie bestimmte Mechanismen zur Entscheidungsfindung.

03

Was kann es in der Spieleentwicklung leisten, bevor der Wendepunkt erreicht ist?

Wenn man das liest, muss man unweigerlich den Atem anhalten – wird man, sobald diese Technologie wirklich ausgereift ist, vielleicht gar keine Spiel-Engine mehr benötigen?

Cao Yanpei erklärte mir, dass es ein sehr langfristiges und mit zahlreichen Schwierigkeiten verbundenes Ziel sei, die Spiel-Engine vollständig durch ein Weltmodell zu ersetzen. Erst wenn die Recheneffizienz, Stabilität und Kontrollierbarkeit der Zustandsübergänge im Weltmodell die Schwelle für Echtzeitreaktionen deutlich überschreiten, wird ein solcher Umbruch stattfinden.

Anstatt nun darüber zu diskutieren, wann sich das Blatt wenden wird, sollten wir uns lieber damit befassen, wie sich diese Technologie noch vor Erreichen des Wendepunkts in den Spielentwicklungsprozess integrieren lässt.

In der aktuellen Anfangsphase können wir diese entkoppelte Architektur aufteilen und punktuell in die bestehende Spielpipeline integrieren. So könnte beispielsweise das Rendering-Modell im Backend in Richtung „generatives Rendering“ eingesetzt werden.Stellen Sie sich vor, Sie sind ein Game-Designer ohne ausgeprägte Kenntnisse in Grafikdesign und Programmierung. Sie können zunächst mit sehr einfachen Blockouts (Graumodellen) die Raum- und Levelstruktur aufbauen, um das Gameplay zu testen. Anschließend lässt das Rendering-Modell diese grauen Blockouts in einem beliebigen, von Ihnen gewünschten Stil rendern.

Die Beleuchtung, die detaillierte Erstellung von Objekten und sogar die Darstellung komplexer physikalischer Phänomene werden erst in späteren Phasen durch das Modell ergänzt.

Für kleine und mittlere Teams bedeutet dies praktisch, dass die hohen Kosten für die industrielle Grafikproduktion auf einen einzigen Aufruf eines Modells reduziert werden. Der Zeichenstil wird von einer festen Kostenvorgabe, die bereits vor Projektbeginn festgelegt werden muss, zu einem „Schalter“, der vor der Veröffentlichung mit einem Klick umgeschaltet werden kann.

Gleichzeitig kann das Zustandsvorhersagemodell der Frontend-Seite separat herausgelöst und als „intelligente Zustandsmaschine“ verwendet werden, wodurch den Entwicklern ein Großteil der sich wiederholenden Arbeit beim Schreiben von Skripten und der Erstellung von Zustandsmaschinen erspart bleibt.Beispielsweise können die Drehung des Tores nach einem Tritt, die Drehgeschwindigkeit und die Frage, ob es zurückprallt und jemanden trifft, direkt vom Modell abgeleitet und ausgegeben werden, ohne dass der Programmierer dies Zeile für Zeile im Code festlegen muss.

Mit zunehmender Reife der Technologie besteht der nächste Schritt darin, das Weltmodell teilweise die Steuerung „dynamischer und offener Szenarien“ übernehmen zu lassen. In dieser Phase wird das Spiel weiterhin durch herkömmlichen Code gesteuert, doch in besonders offenen, komplexen und zugleich weniger stark deterministischen dynamischen Szenarien kann das Weltmodell herangezogen werden, um Offline- oder kleinräumige Simulationen durchzuführen.

Beispiele hierfür sind die durch einen zufälligen Sturm verursachten Schäden in einer Szene oder spontane Interaktionen zwischen einer großen Anzahl von NPCs. Die Teile, die ein hohes Maß an Determiniertheit erfordern, dem herkömmlichen Code zu überlassen und die offenen, zufälligen und nicht vollständig erfassbaren dynamischen Teile den Modellen zu übertragen, ist derzeit der sinnvollste Ansatz.

Erst wenn ein kritischer Punkt überschritten ist, wird es zu einer vollständigen Ablösung der festcodierten Werte kommen.

„Wir möchten diese fest programmierten logischen und physikalischen Definitionen durch ein universelleres neuronales Netzwerk mit niedrigerer Einstiegsschwelle ersetzen.“Cao Yanpei erklärte, dass im Idealfall alle derzeit noch mühsam per Code festgelegten Logiken in Zukunft durch datengesteuerte Schlussfolgerungen auf Basis großer Modelle ersetzt werden, was einen qualitativen Sprung hinsichtlich der Entwicklungshürden und der Effizienz bedeuten würde.

Allerdings muss das Verhältnis zwischen Weltmodellen und herkömmlichen Engines nicht unbedingt ein Nullsummenspiel sein, bei dem das eine das andere verdrängt. Wie Tim Sweeney, der Gründer von Epic, treffend feststellte: In Zukunft werden wir erleben, wie sich „Engine-zentrierte KI“ und „Weltmodell-zentrierte KI“ ständig gegenseitig einholen und miteinander verschmelzen, bis sie eines Tages zu einer Einheit verschmelzen.

VAST beschreitet genau diesen „weltmodellorientierten“ Weg so weit wie möglich, und jeder Schritt auf dem Weg bis zum Erreichen des Wendepunkts liefert der Spieleindustrie ein konkretes Instrumentarium.

Schluss

Bis Weltmodelle wirklich technisch ausgereift sind und industriell eingesetzt werden können, ist noch ein schrittweiser Prozess erforderlich. In Bezug auf Recheneffizienz, absolute Genauigkeit der physikalischen Gesetze und Stabilität bei der Simulation großräumiger Szenarien muss die neuronale Netzwerk-Engine noch einige technische Hürden überwinden.

Allerdings stehen immer mehr 3D-Assets zur Verfügung, die den Betrieb dieser Engine unterstützen.Als Kerngeschäft von VAST haben die selbst entwickelten 3D-Großmodelle der Tripo-Serie in der vergangenen Zeit eine rasante Weiterentwicklung durchlaufen. Die im März dieses Jahres veröffentlichten Modelle Tripo H3.1 und Tripo P1.0 erreichen nun sowohl hinsichtlich der geometrischen Genauigkeit als auch der Generierungsgeschwindigkeit ein Niveau, das für den industriellen Einsatz geeignet ist.

Vor kurzem haben sie bei Tripo Studio zudem einen 8K-KI-Texturierungsalgorithmus eingeführt, der den bisher mehrere Tage dauernden Prozess des manuellen Zeichnens oder Scannens auf weniger als zwei Minuten verkürzt, sowie die Funktion „Intelligente Komponententrennung V2“ mit drei Stufen zur Steuerung der Detailgenauigkeit auf den Markt gebracht, wodurch die generierten 3D-Assets automatisch in einzelne Komponenten zerlegt und direkt in die nachgelagerte Pipeline übernommen werden können.

Darüber hinaus fördert VAST durch Open Source die gemeinsame Entwicklung in der Branche. Bislang wurden insgesamt über 30 Projekte als Open Source veröffentlicht, darunter TripoSplat, AniGen, SkinTokens und LegoACE, die gemeinsam mit Hochschulen wie der Tsinghua-Universität und der Universität Hongkong als Open Source bereitgestellt wurden und verschiedene zukunftsweisende Bereiche wie dynamische Auflösung und automatisches Skelett-Binding abdecken.

Auf Anwendungsebene hat die One-Stop-Plattform „Tripo Studio“ mittlerweile 20 Millionen Kreative zusammengebracht und enge Kooperationen mit führenden Unternehmen wie Tencent, NetEase, Alibaba und ByteDance aufgebaut.

In der technischen Roadmap von VAST sind das Weltmodell und das große 3D-Asset-Modell keine isolierten Elemente, sondern bilden einen geschlossenen Kreislauf, der von beiden „angetrieben“ wird. Die langfristige Vision des Unternehmens ist klar definiert: Es soll „die Grundlage für eine interaktive UGC-Plattform und ein Ökosystem für 3D-Inhalte“ bilden.

Auf dieser Grundlage werden in Zukunft sowohl professionelle Entwickler als auch normale Kreative möglicherweise mit geringeren Einstiegshürden und größerer Freiheit interaktive digitale Welten gestalten und erkunden können.

Die Weiterentwicklung der neuronalen Netzwerk-Engine braucht zwar Zeit, doch dank der Fülle an zugrunde liegenden 3D-Assets und der funktionierenden entkoppelten Architektur wird ein datengesteuerter, in Echtzeit interaktiver digitaler Raum nun vom Konzept zur Realität. VAST schafft hierfür die Voraussetzungen sowohl auf technischer als auch auf ökologischer Ebene.