AI 玩遊戲，不稀奇；AI 編遊戲，也不新鮮。
但用 AI 構建一個支持兩個人實時互動、視角一致、邏輯同步的遊戲世界？這事兒，今天才第一次發生。
以色列 Enigma Labs 團隊今天在 X 平台宣稱發布全球首款由 AI 生成的多人遊戲——Multiverse（多重宇宙）。名字聽起來就像漫威出品，玩法也確實夠科幻。
漂移、撞車，全都同步，操作互相響應，細節還能對上幀數。
遊戲裡的一切，不再靠預設劇本或物理引擎控制，而是由一個 AI 模型實時生成，確保兩名玩家看到的是同一個邏輯統一的世界。
Introducing Multiverse: the first AI-generated multiplayer game.
— Jonathan Jacobi (@j0nathanj) May 8, 2025
Multiplayer was the missing piece in AI-generated worlds — now it’s here. Players can interact and shape a shared AI-simulated world, in real-time.
Training and research cost
We… pic.twitter.com/qsSeP0JBvr
而且 Multiverse 已經全面開源：代碼、模型、數據、文檔一應俱全，全都放到了 GitHub 和 Hugging Face 上。你甚至能在自己電腦上直接跑起來。
Hugging Face CEO Clément Delangue 也在 X 平台在線打 call：
This is the coolest dataset I've seen on @huggingface today: action labels of 1v1 races in Gran Turismo 4 to train a multiplayer world model!
— clem 🤗 (@ClementDelangue) May 8, 2025
Great stuff by @EnigmaLabsAI! https://t.co/gl2GL0Uut7 pic.twitter.com/eDVWn1gRb5
這是我今天在 Hugging Face 上看到的最酷的數據集：Gran Turismo 4 中 1 對 1 競速的動作標籤，用來訓練一個多人世界模型
車輛在賽道上不斷變換位置，超車、漂移、加速，然後再次在某個路段匯合。
那這款名為 Multiverse 的模型，究竟是怎麼一回事？官方技術團隊用一篇技術博客分享了更多構建細節。
在此之前，我們得先介紹一下傳統 AI 世界模型：你操作一下，它預測一下畫面需要怎樣生成。模型看你的操作、看前幾幀，然後生成下一幀。原理嘛，說起來也不難理解：
動作嵌入器：把玩家操作（比如你按了哪個鍵）轉成嵌入向量
去噪網路：使用擴散模型，結合操作和前幾幀畫面，預測下一幀
上採樣器（可選）：對生成畫面進行解析度和細節增強處理
但一旦引入第二名玩家，問題就複雜了。
最典型的 bug 是，你這邊賽車剛撞上護欄，對手那邊卻還在風馳電掣；你甩出賽道，對方卻根本沒看見你在哪。整個遊戲體驗就像卡了兩幀，還不同步。
而 Multiverse，正是第一款能同步兩個玩家視角的 AI 世界模型，無論哪個玩家發生了什麼，另一個人都能實時在自己畫面中看到，毫無延遲、無邏輯衝突。
這也是過去 AI 模擬很難搞定的一點：多視角一致性。
要想解決這一點，構建真正的協作式多人世界模型，Multiverse 團隊想到了一個很聰明的的方案。說干就干，他們保留了核心組件，同時把原本的「單人預測」思路全打碎重構：
動作嵌入器：接收兩個玩家的動作，輸出一個整合了雙方操作的嵌入向量；
去噪網路：擴散網路，同時生成兩個玩家的畫面，確保它們作為一個整體一致；
上採樣器：與單人模式類似，但同時對兩個玩家的畫面進行處理和增強。
本來，處理雙人畫面，很多人第一反應是分屏：把兩幅畫分開，各自生成。
這思路簡單粗暴，但同步難、資源耗、效果差，但他們想到將兩個玩家的視角「縫合」成一個畫面，將他們的輸入合併為一個統一的動作向量，整體當作一個「統一場景」來處理。
具體做法是通道軸堆疊：把兩個畫面作為一張擁有雙倍顏色通道的圖像處理。
這事兒聽著小，技術上其實非常聰明。因為擴散模型採用的是 U-Net 架構，核心是卷積和反卷積，而卷積神經網路對通道維度的結構感知能力極強。
換句話說，這不是把兩個世界貼一起，而是讓模型從「神經元底層」就知道這兩個畫面是有關聯的，是要協同生成的，最終的畫面，不用手動對齊，天然同步。
但要讓模型預測下一幀準確無誤，還得搞清楚一件事：車速和相對位置是動態的，預測得准，得有足夠的資訊。他們發現：8 幀（30 fps 條件下）足以學習加速、剎車、轉向等運動學特徵。
但問題在於：超車等相對速度遠比絕對速度慢得多（約 100 km/h vs 5 km/h），幀數要是太近，模型根本感知不到變化。
於是他們設計了一個折中方案 —— 稀疏採樣：
提供最近連續的 4 幀（確保即時響應）；
再額外提供 4 幀「隔 4 幀採樣」的歷史畫面；
最早一幀距離當前幀 20 幀，也就是約 0.666 秒前。
而要真正讓模型理解「協同駕駛」，不能只靠這些輸入數據，還得在互動行為上做強化訓練。
傳統單人任務（比如走路、打槍）只需要預測很短的時間窗口，比如 0.25 秒。但多人交互下，這麼點時間變化微乎其微，根本體現不出「組隊感」。
Multiverse 的解法是：乾脆讓模型預測長達 15 秒 的行為序列，以此捕捉長周期、多輪次的互動邏輯。
訓練方法也不是一下就上 15 秒，而是用了一套「課程式學習（curriculum learning）」策略：從 0.25 秒預測開始，逐步延長到 15 秒。這樣模型先學會汽車結構、賽道幾何這些底層特徵，再慢慢掌握玩家策略、博弈動態這些高階概念。
訓練完之後，模型在物體持續性、幀間一致性方面表現明顯提升。簡而言之，不會突然車子消失，也不會前後邏輯崩壞。
如此出色的訓練表現，歸功於其背後精心挑選的數據集，沒錯，就是那款 2004 年 PS2 上的賽車模擬遊戲：Gran Turismo 4。
當然，為了免責，Multiverse 團隊也沒忘記調侃自己是索尼的鐵桿粉絲。
他們的測試場景是筑波賽道上的 1 對 1 比賽，但問題是 GT4 並不原生支持「1v1 視角回放」。所以他們逆向工程了一把，把遊戲改造出一個真實的 1v1 模式。接著：
每場比賽錄兩次，一次看自己，一次看對手；
再通過同步處理，合併為一個完整影片，展示雙方實時對戰畫面。
那按鍵數據怎麼辦，畢竟遊戲本身沒提供操作日誌。
答案是，他們利用遊戲 HUD 顯示的資訊（油門、剎車、方向盤指示條），通過電腦視覺，逐幀提取遊戲螢幕上顯示的油門、剎車、方向條，再反推出控制指令。
也就是說，全靠畫面資訊就能還原操作，無需額外日誌文件。
當然，這個流程效率偏低，總不可能每場比賽都得人工錄兩遍。
他們發現 GT4 有個隱藏功能叫 B-Spec 模式，可以讓 AI 自己開車。於是就寫了個腳本，給 AI 發隨機指令，讓它自己開比賽、自己撞車、從而批量生成數據集。
順便，他們還試過用 OpenPilot 的自動駕駛模型控制遊戲角色，雖然效果不錯，但就效率和穩定性而言，B-Spec 更適合做大規模訓練。
重點來了，談效果，不談成本，自然是耍流氓。
這麼一個能跑多視角世界、畫面同步、穩定輸出的 AI 模型，模型、訓練、數據、推理全算上，全程只花了 1500 刀，跟一台高端顯卡差不多。
Multiplayer world models go far beyond games — they’re the next step in simulation.
— Jonathan Jacobi (@j0nathanj) May 8, 2025
Unlocking dynamic, co-evolving worlds shaped by players, agents, and robots.
Multiverse 員工 Jonathan Jacobi 在 X 上發文寫道：
我們只用了 1500 美元就構建了 Multiverse，關鍵不在算力，而在技術創新。
更重要的是，Jacobi 認為，多人世界模型不僅是 AI 玩遊戲的新方式，更是模擬技術的下一步。它解鎖了一個全新的世界：由玩家、智能體和機器人共同進化、共同塑造的動態環境。
未來，世界模型可能就像是虛擬版的真實社會：你與 AI 共處其中，形成真實感極強的「動態宇宙」，同時也擁有接近現實社會的複雜互動邏輯。
所以，你說這事兒聽起來是不是有點上頭？
附上參考地址：
GitHub： https://github.com/EnigmaLabsAI/multiverse
Hugging Face 數據集： https://huggingface.co/datasets/Enigma-AI/multiplayer-racing-low-res
Hugging Face 模型： https://huggingface.co/Enigma-AI/multiverse
官方博客： https://enigma-labs.io/blog
