全球首款 AI 多人遊戲來了！你的舊電腦也能玩

AI 玩遊戲不稀奇，AI 編遊戲也不新鮮，但用 AI 建構一個支援雙人即時互動、視角一致、邏輯同步的遊戲世界，終於首次出現。以色列 Enigma Labs 團隊 5 月 9 日在 X 平台宣稱發布全球首款由 AI 生成的多人遊戲：Multiverse。

名字聽起來就像漫威出品，玩法確實夠科幻。漂移、撞車，全都同步，操作互相回應，細節還能對上幀數。遊戲裡的一切，不再靠預設劇本或實體引擎控制，而是由一個AI模型即時生成，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.

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 < $1.5K. Run it on your own PC.

We… pic.twitter.com/qsSeP0JBvr

— Jonathan Jacobi (@j0nathanj) May 8, 2025

而且Multiverse已經全面開源：程式碼、模型和資料集、文件一應俱全，全都放到了GitHub和Hugging Face。你甚至能在自己電腦上直接運行。

Hugging Face CEO Clément Delangue也在X發文大讚：

這是我今天在Hugging Face上看到的最酷的資料集：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，然後再次在某段路段匯合。

Players can overtake, drift off, speed up — and meet again. Every move reshapes the world for everyone. pic.twitter.com/WGYdShsaxU

— Jonathan Jacobi (@j0nathanj) May 8, 2025

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部落格分享了更多建構細節。

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麼產生。模型看你的操作、看前幾幀，然後產生下一幀。原理也不難理解：

• 動作嵌入器：把玩家操作（例如你按了哪個鍵）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

（Source：Multiverse，下同）

但一旦引入第二名玩家，問題就複雜了。

最典型的bug是，你這邊賽車才剛撞上護欄，對手那邊卻還在風馳電掣；你甩出賽道，對方根本沒看見你在哪。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。

要解決這一點，建立真正的協作式多人世界模型，Multiverse團隊想到了一個很聰明的方案。他們保留了核心元件，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
• 去噪網絡：擴散網絡，同時產生兩個玩家的畫面，確保它們整體一致
• 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割畫面：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：把兩個畫面當作一張擁有雙倍色彩通道的影像處理。

這技術上其實非常聰明，因為擴散模型採用的是U-Net架構，核心是卷積和反捲積，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在一起，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，預測得準，得有足夠的資訊。他們發現：8幀（30 fps條件下）足以學習加速、煞車、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很多（約100 km/h vs 5 km/h），幀數要太近，模型根本感知不到變化。

於是他們設計了一個折衷方案–稀疏採樣：

• 提供最近連續的4幀（確保即時回應）
• 再額外提供4幀「隔4幀採樣」的歷史畫面
• 最早一幀距離目前幀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（例如走路、駕駛）只需要預測很短的時間窗口，例如0.25秒。但多人互動下，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，以此捕捉長週期、多輪次的互動邏輯。

訓練方法也不是一下就上15秒，而是花了一套「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、賽局動態這些高階概念。

訓練完後，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，歸功於背後精心挑選的資料集。沒錯，就是那款2004年PS2上的神作賽車模擬遊戲：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並不原生支援「1v1 視角回放」。所以他們逆向工程了一把，硬生生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
• 再透過同步處理，合併為一個完整視頻，展示雙方即時對戰畫面

那按鍵資料怎麼辦，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、煞車、方向盤指示條），透過電腦視覺，逐幀提取遊戲畫面上顯示的油門、煞車、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，無需額外日誌檔。

當然，這個流程效率偏低，總不可能每場比賽都要人工錄兩次。

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，批次生成資料集。

順便，他們也試過用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。這麼多能跑多視角世界、畫面同步、穩定輸出的AI模型，模型、訓練、資料、推理全算上，全程只花了1,500美元，跟買台高階顯示卡差不多。

Multiverse員工Jonathan Jacobi在X上寫道：

我們只花了1,500美元就建造了Multiverse，關鍵不在算力，而是在技術創新。

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。

（Source：Jonathan Jacobi）

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。

（本文由 愛范兒 授權轉載；首圖來源：pixabay）