三组数据，先感受一下这个赛道的温度：

① 2026 年 3 月，Yann LeCun 的 AMI Labs 完成 10.3 亿美金种子轮，欧洲史上最大。同一个月，李飞飞的 World Labs 累计融资突破 12 亿美金。

两个人加起来拿了 22 亿美金，做的都是同一件事——世界模型。

② 蚂蚁的「灵光」App 上线 6 天下载 200 万，用户两周手搓了 330 万个「闪应用」，其中互动小游戏占比最高。一句话、30 秒，一个可玩的游戏就出来了。

③ 昆仑万维 Matrix-Game 3.0 做到了 5B 参数、720P、40fps 实时生成游戏画面。两年前这个赛道的天花板是「跑 3 秒 DOOM」。

一边是顶级研究者带着几十亿美金从 LLM 阵营集体出走，一边是普通用户已经在用 AI 30 秒手搓小游戏。世界模型（World Model）这个词，正在同时从最高的塔尖和最低的地面向中间挤压。

它到底是什么？为什么突然所有人都在做？

说白了：LLM 是个瞎子。它再强，也只是在预测下一个 token。

你跟它说「请描述一下重力」，它能写三千字论文。但你让它模拟一个球从桌上滚下去？它脑子里根本没有「桌子」这个东西。

世界模型要解决的就是这件事：让 AI 不只会说话，还会「看路」。

这篇文章梳理了这个赛道的40+ 产品、4 条技术路线、7 种商业场景，从 10 亿美金的基础研究到 30 秒手搓的小游戏。

先说结论：方向确定没问题，但 90% 的公司会死在随着基模升级的路上。

本文价值 100 元，有帮助请点赞。

一、什么是世界模型？为什么突然火了？

先给个最直白的解释。

你让 Sora 生成一个视频，一只狗从沙发后面跑过去——它可能跑到一半项圈消失了，沙发变成了另一张沙发。

Sora 2 了还是这样。为什么？因为视频模型本质上在猜「下一帧最像什么」，它脑子里压根没有「这是同一只狗」「这是同一张沙发」的概念。它在做的事，类似于一个美术生蒙着眼睛画接力——每一笔单看都不错，连起来就是毕加索附体。

世界模型就是要解决这个问题。

它不只是「生成看起来对的画面」，而是在内部维护一个对环境的理解：哪些物体在哪、物理规则是什么、你的操作会导致什么后果。这玩意一旦做成了，游戏、机器人、自动驾驶、AR/VR 全都能受益。

划重点：世界模型不是一个单一技术，而是一个研究范式。它把感知、预测、决策串成一条链。

LeCun 的 JEPA 是一种路线，DeepMind 的 Genie 是另一种，李飞飞的 Marble 又是一种。大家殊途同归，但技术路线差别很大（后面详细拆）。

那为什么 2026 年突然火了？三个原因：

•LLM scaling 遇到瓶颈。预训练数据快到天花板了，纯堆算力的边际收益在下降。OpenAI 自己内部都承认 GPT-5 的提升没达预期。

行业需要新叙事，投资人需要新故事。你不能连续三年跟 LP 说「我们还在 scale」。

•视频生成暴露了「理解」的缺失。Sora、Veo 生成的视频越来越好看，但物理一致性一塌糊涂。一个人走路走着走着多了条腿，这叫什么 AI？这叫 PS 自动化。行业开始反思：光会画不行，得真懂啊。

•具身智能和机器人需要训练环境。机器人不能全在真实世界试错，需要大量仿真环境。世界模型天然是最佳造场景的工具。

二、全球玩家点名：谁在做，做到哪了

1. Yann LeCun / AMI Labs —— 最贵的「理想主义」

2026 年 3 月，LeCun 正式公布 AMI Labs，种子轮 10.3 亿美元，估值 35 亿。欧洲史上最大种子轮，还没出产品。Bezos Expeditions、NVIDIA、Samsung、Toyota Ventures 全来了。

他的核心赌注是 JEPA（Joint Embedding Predictive Architecture）不在像素空间做预测，而是在抽象表征空间学习世界的运行规律。

说人话就是：不学「下一帧长什么样」，学「下一步世界状态会怎么变」。LeCun 自己说过：「LLM 太局限了，scaling 不会带来 AGI。」

但话说回来，这是个非常长期的赌注。AMI Labs CEO Alex LeBrun 自己都说「大概需要一年才能出第一个可用的东西」。投资人买的是 LeCun 的名字和他十年的学术积累，不是短期回报。瞄准的场景是医疗、机器人、可穿戴设备和工业自动化。

2. 李飞飞 / World Labs / Marble —— 最先商业化的

李飞飞的打法完全不同。2025 年 11 月就发布了 Marble，2026 年 2 月又融了 10 亿美金（NVIDIA、AMD、Autodesk 全来了）。这是目前世界模型赛道里唯一一个已经商业化、有定价、普通人可以用的产品。

Marble 的定位是「多模态 3D 世界生成模型」。给一张照片、一段文字、一个视频，它生成一个可以 360° 走进去的 3D 空间。不是全景图，是真 3D，能导出 Gaussian Splat 和三角网格，直接丢进 Unity 或 Unreal。

它还搞了一个叫 Chisel 的编辑器，你先用方块搭好空间结构，AI 再补视觉细节——结构和风格分离，创作者不会被 AI 牵着走。

传统游戏做一个 3D 场景可能花几万到几十万，周期几天到几个月。Marble 几分钟搞定。定价从免费到 95 美金/月不等。有人说这是在革游戏美术的命，我觉得不至于，但至少是在革「3D 场景外包公司」的命。

3. Google DeepMind / Genie 3 —— 研究最扎实的

DeepMind 在世界模型上的积累最深。

从 Genie 1 到 Genie 2 再到 2025 年 8 月发布的 Genie 3，一步步推进。Genie 3 训练了超过 3 万小时的游戏录像，能根据文字描述实时生成可交互的 3D 环境，24fps 运行。2026 年 1 月对外开放了研究预览。

DeepMind 把它定位为 AGI 路上的关键垫脚石——有了世界模型，就能无限生成训练环境来教 AI agent。但目前还是研究预览状态，没有商业化。

4. Decart / Oasis —— 第一个让你「玩」的

Oasis 号称是第一个完全由 AI 实时生成的可玩游戏。

你用键盘鼠标操作，它用 Diffusion Transformer 逐帧生成画面，20fps，零延迟。没有预渲染，没有传统游戏引擎，所有画面、物理、规则全是 AI 现编的。效果类似 Minecraft。开源了 500M 参数的小模型。

局限也很明显：画面模糊、物品管理不精确、长时间玩一致性崩。但比 2024 年 Google 的 GameNGen（只能跑 DOOM 3 秒）进了一大步。最近还推出了 Lucy 2.0 和 Custom Worlds，可以上传图片变成可玩世界。

坦率地说，现在的 Oasis 更像是一个「AI 能做游戏」的信仰充值器，而不是一个真正能玩的东西。但信仰这玩意，在 AI 行业比技术值钱。

▲ Oasis 实时生成的 Minecraft 风格游戏画面——全部由 AI 逐帧生成，没有传统游戏引擎

5. Runway —— 从视频工具到世界模拟

Runway 本来做 AI 视频生成，Gen-1 到 Gen-3 在影视广告行业很有名。

但 2025 年底直接发布了「通用世界模型」GWM-1，官网 slogan 改成了「Building AI to Simulate the World」。2026 年 3 月底又搞了个 1000 万美金的基金投 AI+世界模拟方向。

很明显，它想从工具公司变平台公司。

我个人觉得 Runway 是这个赛道里最被低估的玩家，它有真实的商业收入（视频生成 SaaS）、有成熟的用户基础（影视行业）、有技术积累（Gen 系列的视频生成能力直接复用到世界模型）。

不像 AMI Labs 纯烧钱做研究，Runway 是一边赚钱一边转型。这种路径成功率高得多。

6. 腾讯混元 3D + 昆仑万维 Matrix-Game

腾讯结合自己的游戏、地图、AR/VR 业务做混元 3D。

发布了 World Play 交互模型，2025 年 11 月国际版上线腾讯云，开源版下载量破 300 万。优势是有真实业务需求做牵引。

昆仑万维在 2026 年 3 月中关村论坛一口气发了 Matrix-Game 3.0、SkyReels V4、Mureka V9 三个模型。Matrix-Game 3.0 做到了 5B 参数、720P、40fps 实时生成，打通了 GTA5、赛博朋克 2077 等 3A 游戏做数据采集。还搞了一个「AI 版 Roblox」猫森学园。

三、AI 互动游戏：两年进化时间线

▲ 世界模型关键里程碑时间线：从 3 秒 DOOM 到 10 亿美金种子轮

2024.08 GameNGen —— Google Research 用改版 Stable Diffusion 跑出了可玩的 DOOM，单张 TPU、20fps。

训练分两阶段：先用 RL agent 玩 DOOM 生成轨迹数据，再学「给定历史帧+操作 → 预测下一帧」。人类分不清 AI 和真实画面。但只能跑 3 秒。意义：证明了这事可行。

▲ GameNGen 效果对比：左为早期世界模型（糊到看不清），中为 GameGAN，右为 GameNGen（几乎和真实 DOOM 一样）

2024.10 Oasis —— Decart 把同样思路换成 DiT 架构 + Diffusion Forcing 训练，开放世界 Minecraft，20fps。比 GameNGen 进了一大步——从 3 秒 DOOM 到持续可玩的开放世界。

2025.08 Genie 3 —— DeepMind 做到了文字生成可交互环境，不局限于模仿已有游戏，能凭空创造新世界。3 万+小时训练数据。

2026.03 Matrix-Game 3.0 —— 昆仑万维做到 5B 参数、720P、40fps，引入 Memory 机制解决长时序一致性，Unreal Engine 合成数据+3A 游戏数据双管线。开始有工业级的味道。

两年时间，从「跑 3 秒 DOOM」到「720P 40fps 实时开放世界」。进步飞快，但离替代传统游戏引擎还早。

目前这些 AI 游戏的共同问题：画面不够清晰、物理不精确、长时间一致性崩。

我的判断：AI 互动游戏最靠谱的落地方式不是替代传统引擎，而是做增量——场景快速生成、NPC 行为、关卡自动创建。

全由 AI 实时生成一整个游戏？再等两三年。

那些天天喊「游戏引擎要被颠覆」的人，大概率没做过游戏。

你让 AI 模型保证两个玩家在同一个世界里看到完全一样的物理表现试试？确定性这一条就够卡死 99% 了。

就和现在 vibe coding 小游戏头部的产品，都是几个固定的玩法模版，动态化一些素材而已。

四、技术路线速览：四条路线，谁先跑出来？

世界模型不是一个统一方案，至少四条路线在并行推进。

路线一：DiT 生成式（Oasis / GameNGen / Matrix-Game）—— 把游戏画面当视频逐帧生成。好看，但不懂物理。

路线二：JEPA 表征预测（AMI Labs / V-JEPA 2 / VL-JEPA）—— 不生成像素，在 embedding 空间预测「世界状态会怎么变」。V-JEPA 2（1.2B 参数）已经能做 zero-shot 机器人规划。

路线三：3D/4D 重建（Marble / NeoVerse / TeleWorld）—— 把 2D 重建成持久 3D 结构。NeoVerse（CVPR 2026）用普通手机视频就能做 4D 重建，推理比同类快 7.5 倍。

▲ NeoVerse 4D 世界模型架构：输入单目视频 → 4D Gaussian 重建 → 任意视角生成（CVPR 2026）

路线四：混合 RL + 仿真（Genie 3 / Cosmos / DreamerV3）—— 最务实的路线。Genie 3 的价值公式：世界模型 = 无限训练场生成器。

▲ DreamerV3：agent 在学到的世界模型中「做梦」练习，再迁移到真实环境（Nature 2025）

四条路线对比

▲ 四条技术路线能力雷达图：没有一条路线在所有维度占优，这就是为什么我赌混合路线

五、产品图鉴：谁已经能玩了？商业场景在哪？

前面讲了技术路线和论文，但普通人更关心的是：有没有东西我现在就能上手玩？钱从哪来？谁愿意付费？

▲ 世界模型 & AI 互动赛道象限图：右上「黄金区」的玩家最少，左上「轻量爆款区」最拥挤

先拉一张全景产品地图。这个赛道最容易被误导的一点是：一提世界模型就只想到 LeCun 和李飞飞那些几十亿美金的大玩家。

其实从大厂到一个人的 side project，这条赛道上至少有 40+ 个产品在同时跑。按体量分三层：

第一梯队：巨头与独角兽（融资 $100M+）—— AMI Labs（$1.03B / JEPA 世界模型）、World Labs / Marble（$1.23B / 3D 世界生成）、Google DeepMind / Genie 3（未独立融资 / 互动世界生成）、NVIDIA Cosmos（平台级 / 物理 AI 基础模型）、Runway GWM-1（$860M 累计 / 通用世界模型三条线）、General Intuition（$134M 种子 / 空间推理 agent）。

这一层的共同特点是：都在做底层模型或平台，烧钱凶猛，商业化普遍没跑通。

第二梯队：中腰部产品公司（融资 $5M-$50M 或有稳定收入）—— Decart / Oasis（$53M / 实时游戏生成）、Odyssey Explorer（自动驾驶团队转型 / 互动视频）、昆仑万维 Matrix-Game（上市公司 / 游戏世界模型）、腾讯 HunyuanWorld 系列（1.0/1.5 WorldPlay/Voyager 全开源 / 3D+探索）、Inworld AI（NPC 引擎 / 已集成 Unity+Unreal / 被 Skyrim mod 验证）、Charisma.ai（对话叙事 AI / VR+教育）、RPGGO（Pre-Seed / Text-to-Openworld RPG / 腾讯系团队）、Scenario（游戏美术资产 / 自定义风格训练）、Rosebud（浏览器端全流程游戏创作）、SEELE / 百度系（端到端 3D 游戏生成 / Unity 导出）、WebSim（$11M / AI 网页/游戏生成器）、Jenova.ai（AI Agent 驱动的角色扮演+叙事游戏平台）、SpAItial（$13M 种子 / 图片→3D Gaussian Splat / 欧洲团队）。

这一层特点是：要么有明确的垂直场景，要么有可验证的用户数据。

第三梯队：小而美 / 开源 / 早期探索（种子轮或 bootstrap）—— MakeGamesWithAI（一句话生成可玩游戏 / 浏览器端）、Spawn.co（自然语言创建 3D 多人世界）、Ludo.ai（AI 游戏创意+市场调研+Playable Generator）、Saga（AI 文字冒险/角色扮演平台）、AI Town（Convex 开发 / AI 角色社交模拟）、Layer AI（自定义 3D 资产风格训练）、Meshy（文字/图片→3D 模型）、Cascadeur（AI 动画替代动捕）、Replica Studios（AI 配音+商用授权）、Leonardo AI（美术资产批量生成）、Convai（实时语音 NPC / VR 场景）、Promethean AI（自然语言→3D 环境 / Unreal 集成 / AAA 在用）、AIVA + Beatoven.ai（AI 游戏配乐）、Etched / Sohu（专用 Transformer ASIC / Oasis 的硬件搭档）、Yume 1.5（开源互动世界生成模型）、Microsoft Muse（Xbox 部门 / 研究阶段）、RADiCAL（视频→动捕数据）、Figma Make（AI 游戏原型 / 设计工具内置）、Google Playables Builder（YouTube 内置 / Gemini 3 驱动）。

这一层的特点是：切口极小，但如果赛道起来了，每个都可能成为生态里不可或缺的一块拼图。

我的看法：大多数人只看第一梯队——因为融资新闻最响。

但真正离钱最近的是第二梯队：Inworld 已经被 Skyrim mod 社区验证了、Scenario 的独立开发者在用真金白银订阅、腾讯 HunyuanWorld 系列开源下载破 300 万。

第三梯队看着小，但别忘了 Roblox 当年也是从一个不起眼的小工具做起来的。这个赛道最终的赢家，很可能不在今天的头条新闻里。

下面按产品形态详细拆解，每种都给商业场景判断：

类型一：Vibe Coding 小游戏 —— 2026 年的第一个爆款品类

2026 年 1 月，很多游戏人最关心的产品居然不是 3A 大作，而是比小游戏还小的文字型游戏。《大厂模拟器》上线当天挤爆服务器，《赛博徒步：生死鳌太线》在社交媒体刷屏。这些游戏只有一两个人做，形式就是一条链接，没有美术画面，只有文字选择和数值养成。

为什么火？因为 Vibe Coding 不是降低了游戏制作门槛，而是摧毁了门槛。

开发者不需要编程，不需要美术，只需要一个好点子 + 买点 token。AI 生成系统、数值、剧情分支，你提供创意就行。一个周末就能做出一款可玩的游戏。

这对传统游戏行业意味着什么？意味着你花三年做的独立游戏，可能被一个大学生周末手搓的东西抢走热度。

不是因为他做得好，是因为他快到离谱，而且话题性拉满。

商业场景：社交裂变 + 广告变现。

这类游戏只需要一个网页链接就能玩，加载比小游戏还快，心理负担极低，天然适合社交传播。

《大厂模拟器》就是靠互联网人群的圈层传播爆的。变现路径是广告（页面内嵌入）和付费解锁（额外剧情线）。单款游戏天花板不高（几万到几十万），但制作成本几乎为零，ROI 极高。

类型二：AI 闪应用/闪游戏 —— 灵光、Google Playables

灵光（蚂蚁集团）是 2025 年底中国最火的 AI 产品之一。6 天下载量超 200 万，速度超过 ChatGPT 和 Sora 2。核心功能「闪应用」：一句话最快 30 秒生成一个可交互、可编辑、可分享的小应用。上线两周用户创建了 330 万个闪应用，覆盖互动游戏、情绪减压、倒计时、备考自测等场景。后来又升级了「闪游戏」功能——输入’帮我生成一个空战 1942 的小游戏’，30 秒就出来了，还能改角色、背景、难度。

Google Playables Builder是 YouTube 官方推出的 AI 游戏生成工具，基于 Gemini 3，让 YouTube 创作者用文字/图片/视频片段生成 HTML5 小游戏，直接嵌入 YouTube 播放页面。Google 的意图很明确：对抗 Roblox，争夺年轻用户时长。

商业场景：平台粘性 + 生态闭环。灵光的逻辑是用闪应用/闪游戏把用户留在蚂蚁生态里，未来接支付宝小程序、信用体系。业内预测 2026 年会出现「生成式小程序」爆发潮——字节、阿里、腾讯都会把生成能力嫁接到自己的支付、社交、电商场景里。Google Playables 则是内容平台的互动化：让视频从单向播放变成双向交互。

划重点：闪应用这个品类的竞争不是产品竞争，是生态战争。

谁的分发渠道强，谁的闪应用就能活。灵光背后是支付宝，Playables 背后是 YouTube，你一个独立开发者或者小团队拿什么打？

抖音现在的小游戏广告占比 也比之前高了，而重分发的赛道 如果没有持续的爆款就很难做出成绩。低频产品再怎么折腾也没用。

类型三：AI NPC / 互动叙事 —— Charisma.ai、RPGGO

Charisma.ai 不做完整游戏，而是提供一套面向叙事和角色对话的 AI 系统——让创作者构建可控的 AI 角色、对话逻辑和互动剧情。用在互动叙事游戏、培训模拟、品牌体验、教育内容等场景。

RPGGO 主打 Text-to-Openworld：输入一个故事梗概，AI 构建出包含分支剧情、智能 NPC 记忆、实时生成立绘和语音的可玩 RPG 游戏。核心团队来自腾讯等一线大厂，拿到了 Makers Fund 的 Pre-Seed 轮融资。

Jenova.ai 用专门的 AI Agent 做不同类型的互动内容——Roleplay Game Master（桌游式 RPG，无限记忆+任意规则系统）、Film Screenwriter（剧本协作）、Webtoon Creator（竖屏漫画连载）。它不做自己的模型，而是调用 GPT-5.2 / Claude / Gemini 3 等前沿模型搭 agent 框架。思路是：模型层不碰，只做场景层。这可能是小团队最聪明的打法。

Saga 做 AI 文字冒险和角色扮演平台——从经典文字 RPG 那套复古审美出发，加入 AI 动态对话和剧情生成。可以用官方预设世界，也可以自建。小而美的产品，主打怀旧 RPG 玩家群体。

AI Town（Convex） 是个很有意思的实验项目——AI 角色在一个虚拟小镇里自主生活、社交、形成记忆和目标。每个角色有独立人格。开发者可以搭建自己的 AI 驱动小镇。斯坦福那篇著名的「25 个 AI agent 生活在虚拟小镇」论文的产品化版本。

商业场景：B2B 中间件 + C 端订阅。Charisma.ai 这类走 B2B 路线——卖给游戏工作室、教育机构、品牌方做 NPC 对话引擎，按 API 调用收费。RPGGO 走 C 端——玩家订阅制玩无限 AI 生成的 RPG。

更大的商业想象力在于：当 NPC 能真正「记住你」并动态反应，游戏的复玩价值和付费意愿都会大幅提升。

类型四：世界模型原生产品—— Oasis、猫森学园、WebSim

Oasis（Decart） 前面详细说过了——AI 完全实时生成的 Minecraft 类游戏。目前还是免费 Demo 状态，商业化路径不明。

▲ Oasis 生成的开放世界——所有方块、天空、光影都是 AI 实时计算的，没有一个像素是预制的

猫森学园 2.0（昆仑万维） 定位是「AI 版 Roblox」——可以口述玩游戏、口述 DIY 游戏。是昆仑万维「3+1」AGI 战略中面向互动娱乐的产品层。

WebSim 是 AI 网页/交互应用生成器：用自然语言描述一个网站或小游戏，直接生成可运行的 Web 页面，支持持续迭代和链接分享。融资约 1100 万美元。不是完整游戏引擎，但非常适合做网页游戏原型和互动体验。

商业场景：UGC 平台经济。这些产品的共同逻辑是：不是自己做游戏，而是让用户做游戏，平台抽成。

Roblox 已经证明了这个模式的天花板有多高（年收入 30 亿美金+）。AI 的加入会让创作门槛进一步降低——从「会编程的人能做游戏」到「会说话的人能做游戏」。

类型五：3D 世界生成工具 —— Marble、Rosebud

Marble（World Labs） 前面说过了，从免费到 95 美金/月。定位是给游戏开发者、VFX 工作室、建筑设计师用的 3D 场景生成器。已经有早期用户在把生成的 Gaussian Splat 导入 Unity 做游戏和互动内容。Vision Pro 和 Quest 3 可以直接查看生成的 3D 世界。

Rosebud 是云端全流程游戏创作平台——输入 prompt 生成可玩的 2D/3D 游戏原型，内置精灵动画生成器、AI NPC 创作器、视觉小说工具。主打教育场景和浏览器端快速原型。

SEELE（百度系） 定位端到端多模态游戏生成平台，文字描述直接生成可交互 3D 游戏世界，支持 Unity 项目导出（这点比 Rosebud 强），内置 500 万+动画预设库和完整音频生成。号称生成速度比手写代码快 480 倍。

Spawn.co 用自然语言指令创建 3D 多人游戏、应用和虚拟世界。

SpAItial 欧洲团队，$13M 种子轮。用自家模型 Echo 从单张图片生成 3D Gaussian Splat 模型。比 Marble 轻量得多——不做完整世界，只做单场景 3D 化。适合电商产品 3D 展示、室内设计预览这类不需要「走进去」的场景。

腾讯 HunyuanWorld 系列 是目前开源世界模型里迭代最快的。2025 年 7 月发 1.0（文字/图片→360° 3D 世界，支持 Unity/Unreal 导出），10 月发 1.1 WorldMirror（视频→3D），同月还出了 FlashWorld（单 GPU 5-10 秒生成 3DGS），9 月发 Voyager（超长距离 3D 探索），12 月发 1.5 WorldPlay（实时交互）。半年迭代五个版本，开源下载破 300 万。说句实话，如果你是个独立开发者想试水世界模型，HunyuanWorld 开源版是目前性价比最高的起点——免费、有文档、能跑在 4090 上。

商业场景：SaaS 订阅 + 降本增效。

游戏行业美术成本通常占研发总成本的 50%-80%，一个 3D 角色模型成本几万到近百万。

Marble 这类工具的价值公式：原来花 10 万做的场景，现在 20 美金/月几分钟搞定。

类型六：AI 游戏资产工具链 —— 隐形基建

这一类不是做完整游戏，而是做游戏开发中某个环节的 AI 加速。单拎出来不够性感，但组合起来就是一条完整的 AI 原生游戏生产线。

Scenario —— AI 游戏美术资产生成。核心能力是训练自定义 AI 模型，保持风格一致性。你把自己游戏的美术风格喂给它，它就能批量生成风格统一的角色、道具、场景。支持像素风、写实风等 12 种生成模式，每批最多 16 张。对美术团队少的独立工作室是刚需。

Inworld AI —— AI NPC 引擎，由 Google Dialogflow 团队出身的人做的。NPC 有独立人格、记忆、情感系统，能根据玩家行为动态反应。已经直接集成 Unity 和 Unreal，按用量付费。Skyrim 和骑马与砍杀 2 的 mod 社区已经在用它，证明了玩家确实愿意为「更聪明的 NPC」买单。

Convai —— 实时语音 NPC 交互，延迟 200-300ms。和 Inworld 的区别是更偏语音端，适合 VR/AR 场景。

Replica Studios —— AI 配音和对话生成。给 NPC 配音不用真人录音棚了，订阅制，付费版有完整商用授权。

Cascadeur —— AI 辅助角色动画。设好关键帧，AI 自动计算中间的自然动作。相当于用软件替代动作捕捉，成本降几个量级。

Leonardo AI —— 游戏美术资产批量生成，支持角色、纹理、环境。可以用预训练模型，也可以训练自己的风格模型。

Meshy —— 文字/图片转 3D 模型，快速生成道具和场景元素，导入游戏引擎使用。

Promethean AI —— 用自然语言描述生成完整 3D 环境，专为关卡设计师打造。直接集成 Unreal Engine，AAA 工作室在用。

AIVA / Beatoven.ai —— AI 游戏音乐生成。AIVA 专注古典和影视配乐风格，Beatoven.ai 可以根据游戏场景情绪实时适配音乐。

Ludo.ai —— AI 游戏研发助手。不生成资产也不写代码，而是做游戏创意和市场调研——分析排行榜游戏 DNA、混合机制生成新概念、自动生成可玩原型。最近推出了 Playable Generator，输入描述直接出可玩 Demo。

商业场景：工具链 SaaS，各切一刀。

一个独立开发者的理想工作流：Ludo.ai 做创意 → Scenario 生成美术 → Meshy 做 3D 模型 → Inworld 做 NPC → Replica Studios 配音 → AIVA 配乐。

每个环节都有人收月费。这种「乐高式拼装」的 AI 游戏工具链，2026 年已经是独立开发者的标配。

类型七：世界模型驱动的互动视频/探索 —— 新品类

这一类是技术最前沿、离商业化最远、但想象力最大的。

▲ TeleWorld 的 Macro-from-Micro Planning：DiT 逐段生成视频，上层宏观规划控制长时序一致性

Runway GWM-1 / Game Worlds —— Runway 的世界模型产品分三条线：GWM-Worlds（游戏互动世界）、GWM-Robotics（机器人仿真，提供 Python SDK）、GWM-Avatars（对话式数字人）。Game Worlds 是面向消费者的入口——浏览器端直接创建和分享 AI 生成的互动文字冒险。720P/24fps 实时交互，物理感知环境。

Odyssey Explorer —— 主打「互动视频」——你能同时看和操作的视频。每 40-50ms 生成一帧，20fps 流式输出。用「因果式」方法生成：只基于过去事件，不预设未来，所以你的每个操作都会改变所有可能的后续。训练数据来自自动驾驶团队的真实 360° 拍摄，输出更偏写实风格（Gaussian Splat），可以导入 Unreal/Blender/After Effects。

Microsoft Muse —— 微软 Xbox 部门做的世界模型，用 7 年的 Xbox 游戏《Bleeding Edge》录像训练。能根据手柄操作实时生成游戏场景。目前还在研究阶段。

Yume 1.5 —— 文字控制的互动世界生成模型，2025 年底开源。输入文字描述控制世界变化。

NVIDIA Cosmos —— 不面向消费者，而是面向开发者的「世界基础模型平台」。提供物理感知的合成训练数据，主要客户是自动驾驶和机器人公司。200 万+下载。

商业场景：目前以 B2B 和研究为主。Runway GWM-Robotics 卖给机器人公司做仿真训练（比在真实世界测试便宜几个数量级）。Game Worlds 尝试 C 端但还在 beta。Odyssey 瞄准影视后期和游戏环境预览。Cosmos 走开发者平台路线。说白了，这一类产品的商业化还在「找第一个愿意付钱的客户」阶段，但一旦跑通，想象空间巨大——世界模型 as a Service，按「世界数量」收费。

小结：七种产品形态的商业逻辑

我的看法：短期内最赚钱的不是世界模型本身，而是基于 AI 生成能力的轻量产品——闪应用、Vibe Coding 小游戏这些。它们不需要等世界模型技术成熟，用现有的 LLM 能力就够了。

世界模型的商业化更像是一个 2-3 年的中期故事：先从工具链切入（Marble 卖订阅给开发者），再逐渐渗透到平台层（UGC 世界构建），最终可能改变整个内容产业的成本结构。

现在这个赛道里，赚到钱的是卖铲子的（Scenario、Inworld 这些工具），不是挖金子的（做世界模型本体的）。

信仰要充值，很合理。

六、别被 Demo 骗了：当前世界模型的真实水平

先说结论：能看，但不能用。能发朋友圈，但不能上生产线。别被那些精心挑选的 demo 视频骗了——那都是跑了一百次选出来最好的那一次。

▲ 当前世界模型综合能力评分：物理一致性和长时序稳定性两项不及格，这是最大的短板

视觉保真度 B+：短时间（几秒到几十秒）画面相当好。拉长到分钟级逐渐模糊变形。Marble 的静态 3D 不错，细看有 Gaussian Splatting 特有的「斑点感」。

物理一致性 C：最大短板，也是这个赛道的「皇帝的新衣」。球可能穿墙、水可能往上流、一个杯子放在桌上你转个身回来变成了花瓶。CVPR 2025 的 benchmark 论文直接打脸——最好的视觉语言模型区分运动轨迹的准确率接近随机猜。接近随机猜啊朋友们，这些模型号称「理解世界」的。

交互可控性 B-：键盘鼠标控制基本实时，但精度不够——想把方块放特定位置，模型可能放偏。Matrix-Game 3.0 通过分离鼠标/键盘信号有改进。

长时序稳定性 C-：自回归方案的通病——误差累积。Error Buffer、Diffusion Forcing、4D 重建引导都在试图解决，但没有方案能做到「无限时长稳定」。

推理效率 B：20-40fps 实时已实现，但在 256×256 到 720P 的低分辨率下。1080P/4K 实时还差一到两个数量级的算力。DyDiT 等效率优化在帮忙，专用硬件可能才是终极解。

七、未来 1-3 年会发生什么

2026 下半年（6-12 个月）

•世界模型在游戏场景生成（NPC、地图、背景）上进入生产流水线，作为传统引擎的补充而非替代。第一波买单的是中小游戏工作室——大厂有自己的技术栈，看不上；独立开发者没预算，用不起。中间这层最饥渴。

•V-JEPA 系列在机器人 sim-to-real 跑通概念验证，但无法量产。学术界会很兴奋，工业界会继续观望。

•4D 世界模型（NeoVerse 类）成为自动驾驶仿真的标配数据增强手段。这是世界模型最先赚到真金白银的场景——自动驾驶公司不缺钱，缺的就是仿真数据。

•Vibe Coding 小游戏继续爆发，但 99% 是垃圾。Steam 上 AI 生成游戏的数量会翻三倍，但能赚钱的不超过 1%。

•AMI Labs 大概率还在闷头研究，没有产品。LeCun 不是做产品的人，他是做范式的人。别催他。

2027 年（1-2 年）

•专用推理芯片到位，1080P 实时交互式世界模型成为可能。AI 原生游戏从 Demo 变成可玩 10-30 分钟的完整体验。注意是「完整体验」不是「好游戏」——能连续玩 30 分钟不崩已经是巨大进步了。

•路线开始收敛——大概率「3D/4D 重建 + 生成式」的混合路线胜出。纯生成式（Oasis 这条线）画面好但物理假；纯 JEPA 理解深但什么都看不到。把两者嫁接起来——用 JEPA 做「大脑」理解物理，用 DiT 做「眼睛」渲染画面——才是终局。

•出现第一个被 Unity/Unreal 官方集成的世界模型 API。这是这个赛道真正的里程碑——一旦进了游戏引擎的工具链，就意味着从「研究玩具」变成了「生产工具」。我赌 Unity 先动手，因为他们更缺差异化。

•第一批世界模型初创公司倒闭潮。融了钱但烧不出产品的、技术路线押错的、创始人只会写论文不会做产品的——2027 年会是筛选年。

•版权和训练数据合规问题爆发，多起诉讼出现。游戏公司是比出版社更凶的版权维护者——Rockstar 的律师团可不是吃素的。

2028 年（2-3 年）

•世界模型 + LLM + Agent 成为标准架构——LLM 当嘴，世界模型当眼和脑，Agent 当手和脚。LeCun 说的「LLM 是接口层，世界模型是底层」有望被验证。到那时候再回头看 2024 年的纯 LLM 应用，就像今天看翻盖手机——能用，但属于上个时代。

•AR 眼镜成为世界模型的杀手级硬件载体。Meta Orion、Apple Vision 后续产品——这些东西离了世界模型就是个贵得离谱的看片器。有了世界模型才能实现真正的空间计算：看到一个房间自动理解布局、虚拟物体和真实桌子产生正确的遮挡关系、走过一面墙记住墙后面有什么。这才是 AR 应该有的样子。

•「说一句话就能走进一个世界」从科幻变成消费级产品。但画质可能只相当于今天的 VR Chat——能用但粗糙。别信那些说 2028 年就能达到电影级画质的人，他们大概率在融资。

•一个大胆预测：到 2028 年底，「世界模型」这个词会像今天的「大模型」一样变成日常用语。普通人可能不知道 JEPA 是什么，但会随口说「那个 AI 生成的装修效果图真不错」。技术最终都会隐身到产品背后。

写在最后：方向对了，别急

从 LLM 到世界模型，AI 正在经历一次认知升级。文字 → 图片 → 视频 → 3D 世界 → 可交互的世界，每一步都是维度跃迁。如果 LLM 是教 AI 学会了「说话」，世界模型就是教 AI 学会了「看路」。一个只会说话的 AI 和一个又会说话又会看路的 AI，差距不是一星半点。

但别被融资数字冲昏头。LeCun 拿了 10 亿美金，自己说产品一年后才有；Marble 能用了但离工业级有距离；Genie 3 效果惊艳但没商业化；Matrix-Game 3.0 跑分好看但离真正好玩还差。这个行业的通病就是：demo 永远是最好的产品。

确定性在于方向——AI 迟早要从理解文字走向理解世界。不确定性在于时间和路线——谁先做出来、用什么方法做出来，现在还是一团迷雾。

比如我做 Mana，本质也是帮普通人用自然语言创造应用和交互体验。世界模型这条线跑通了，未来「说一句话就能生成一个可以走进去的世界」，想想就兴奋。

但在那之前，还有很多脏活累活要干。

做 AI 产品的人都知道，最难的不是让模型生成一个惊艳的 demo，而是让它在第一万个用户手里还能稳定工作。

这个行业不缺会讲故事的人，缺的是愿意把无数恶心的 edge case 一个个填完的人。

大模型卷参数的时代正在过去，卷「世界理解力」的时代刚刚开始。

本文同步自微信公众号，点击查看原文