去他*的「世界模型」

@陈之琰

故事还要从很久很久以前说起。

二十年前，小学三年级的车昊轩，班上有一个让他印象很深的小朋友。学习很好，每天放学，都有家里人开车来接他。

车昊轩觉得，这个小朋友应该很幸福。

但有一天，他突然开始想：如果我是他，看到的世界会是什么样？他开始好奇，同一个世界，从另一个人的眼睛里看出去，会不会完全不同？

我知道你会想问：so，这是想说明什么？

这是车昊轩主动对我说起的故事。二十年后，29岁的他创办了XGEN，想建一扇“任意门”：把原本只能想象的未知世界，变成可以进入的地方。

这个概念有点绕。

“所以，这是一种世界模型？”我问。

“Forget it！”车昊轩几乎没有犹豫，随即抛出一个更难理解的概念：interactive experience model，主观体验模型。他把XGEN正在做的东西叫作generative world simulation——生成式世界模拟。

以下是我试着为你讲述的车昊轩的故事。

国贸怪兽、警察和第二个世界

“假如北京国贸突然出现一只怪兽，世界会怎么样？”

为了解释这扇任意门到底是什么，车昊轩假设了一个离奇的场景。他说，让今天的AI生成这样一段视频，出来的会是怪兽爬上楼、咬人、砸毁大楼，人群四散而逃。

但问题是，“警察不会来”。

没有警察，是因为AI生成时不会考虑这个世界有潜在的规则：有人会掏出手机——有一个职业叫警察——警察被叫了就会到场——到场之后会出现在人的视线里。

所以，车昊轩要生成两个世界。

第一个是人眼看到的世界。“你在一个世界里晃悠，它跟随你的主观视角变化”。

第二个是人眼看不到的世界。“比如，此刻的美国总统在干嘛？睡觉，或者喝酒，或者别的。我不知道，但他确实存在一个此刻的状态。”

过去的视觉生成模型几乎只处理第一个世界。“看不见就不存在，不存在AI就无法建模。”按照车昊轩的理论，如果没有第二个世界，即使怪兽在国贸砸上一个小时，警察也永远不会出现。

车昊轩想让第二个世界以另一种形态存在：状态。看不见的世界不需要每一帧都被画出来，只需要被记住、被推演——谁在哪里、刚才发生了什么、各自拥有什么记忆和目标，一个动作又会触发怎样的变化。等到它进入视野的那一刻，再被渲染成像素。

具体到架构上，World State层负责世界动态和状态转移，Render层负责把主体此刻应该看到的内容渲染成像素。两者分离训练，但在同一套分层架构中协同工作。

这条路在业内有一个参照物，叫Genie。

Genie是Google DeepMind的一个模型系列，也是“世界模型”在当下最有代表性的一条路线：它要生成的不是一段供人观看的视频，而是一个人能进去、能操作、并且会对操作作出反应的环境。2024年12月发布的Genie 2已经可以从一张图片出发，生成能够用键鼠探索的可交互环境。DeepMind称其生成环境最长可持续一分钟，但多数演示在10至20秒左右。

按照车昊轩的说法，这是XGEN对Genie路线的一种改造。他们目前单点聚焦的问题是“长程一致”，即不是让几秒钟的视频看起来连贯，而是尝试让一个世界运行几十分钟后，角色、状态和因果仍然自洽。

当我问起这件事的终局可以有多大，车昊轩说：“人可以走进电影动漫小说，和角色一起生活；机器人可以在虚拟世界里学会做事，再把本领带回现实。互联网连接了一个世界，我们想让每个人都能创造自己的世界。”

在XGEN成立以前，车昊轩已经沿着这条路做过一次尝试。

2024年5月至9月，他在腾讯IEG实习，作为第一作者完成了GameGen-X。它可以根据文本生成开放世界游戏视频，并接受结构化文本指令和键盘操作等控制信号。玩家控制角色移动或行动时，模型会基于当前视频片段，继续生成环境与角色的变化。与传统游戏提前制作好地图和资产不同，这里的环境和角色都由模型生成。

相关的论文后来被机器学习顶会ICLR 2025接收。论文将GameGen-X定义为首个同时支持开放世界游戏视频生成与交互控制的扩散Transformer模型。

GameGen-X发布早于Genie 2。当Genie 2发布时，车昊轩在朋友圈写下：Genie 2和GameGen-X是当时唯二不依附于已有游戏世界、可以生成新环境的工作。他也在同一条朋友圈里承认，对方在控制方式的多元性、短时记忆和行为涌现上做得更多。

我问他，既然要构建未知世界，为什么一定还要有“主观视角”？

“要建模一个完全客观的世界，就得穷尽全世界的数据。我觉得这 impossible。”他拿AlphaGo做类比：AlphaGo没有去穷尽棋局的解法，而是把问题从“求最优解”换成了“比最强的人类更强”。

XGEN强调“主观视角”是同一种哲学。

“一个人被困在一间屋子里，他能发出的信号、能触发的变化，是可以cover掉的。”车昊轩认为，主观视角能对世界做的事有且只有三类：manipulation（操纵）、navigation（移动）、communication（沟通）。

由此，主观视角给无边界的世界划出了一条边界：模型不必同时计算城市里每一个人的动作、每一间房间的光线，以及每一件物品的像素变化，只需要维护与当前主体及其行动可能相关的状态。当主体移动、操作或者交流时，相关部分再被调用和展开。

用一种更简单的方式来解释，XGEN的“主观体验模型”不追求穷尽，只追求合理——看不见的部分需要被以低成本建模，让被看见的那一刻不穿帮。

刘邦、犟种和另一种可能

说这些话时，我们坐在北京的一家西餐馆。

头两个小时几乎都是车昊轩在说。技术、产品、融资、组织，问题不断换，他很少停顿。

车昊轩的眼睛亮亮的，眼尾尖而上挑。因为长相秀气，他小时候常被认成女孩，直到最近还有人形容他是“韩国男团落入世界模型”。

很难把眼前这个对什么都有答案的人，和2015年那个刚进西北工业大学的陕西男生对上。

车昊轩最初读的是飞行器制造，学校的王牌方向。“航空报国”的氛围里，学飞机几乎就是最牛的事。往前看路径也清晰：沈飞、成飞，以及各大飞机研究所。

但进入大学以后，他很快发现，自己真正着迷的是另一套东西。

“计算机、Coding、AI……”那时他没做过什么人工智能项目，也谈不上系统研究，但就是喜欢。他形容那是一种——“命运般的感兴趣”。

他开始隐约觉得，造飞机、坦克、炮弹当然重要，但它们离自己真正关心的那些问题似乎很远。他看到的世界里有贫困、饥饿、教育的不平等，以及疾病带来的痛苦。武器装备解决不了这些，“但AI，可能可以。”

他回忆说，当时的判断还很朦胧。他甚至说不清，AI将如何解决这些问题。只是本能觉得，AI将是一种尺度更大的技术。不是某一种机器，而是人类知识、能力的提升，以及处理问题方式的迭代。

也是在大一，他认识了一位从江苏来的同学。这个同学有一套自己的解题方式：高考最后一道数学大题，他用了大学阶段的方法去解；平时打草稿，也会把一张纸划成不同区域，用得极其细密。

对车昊轩来说，这些都是以前没见过的东西。

“叹为天人。”他说。

今天看来，那不过是一种解题和整理草稿的方法。但让车昊轩意识到，在自己所处环境之外还有另一套方法、另一种可能。

2016年，AlphaGo战胜李世石。面对几乎无法穷尽的变化，机器仍能通过学习与搜索击败最强的人类棋手。已经埋下过AI种子的他决定转专业，去学软件工程。

软件工程在当时的西工大并不算热门，学费却更高。转专业又牵涉学院之间的名额和生源，原学院不愿轻易放人，软件学院也很少接收转入的学生。那时人工智能还远不是显学，也没有人能保证，这条路会通向一个更好的未来。

几次申请都没有下文后，车昊轩决定直接给学校领导写信。他从知乎上读过大量陌生人的故事，学到一条朴素的经验：真正重要的事，要直接向能拍板的人开口。最终，申请获批。

“我面子特别薄。”他说自己不是不害怕被拒绝，“但如果这个东西做了是对的，你就得做。”

类似的事情还有——

本科毕业后，车昊轩放弃保研，前往香港中文大学读博。因为研究理念与导师不合，他退出，又申请美国学校。为了出国，他用半年把托福从32分考到了102分。

2020年5月，美国发布第10043号总统公告。签证与入境限制叠加疫情，原来的求学路径中断，新申请的学校也去不了。那段时间，他每天凌晨四五点睡，下午四五点醒，也是在这时，他发出了全网第一个相关帖子，并组织了第一波联名信，联系其他同样受到影响的学生，向各自录取他们的大学求助。后来，他们还尝试请愿、给美国议员写信，自称“小蚂蚁”。

美国升学受阻后，他又把申请投向香港科技大学。2021年5月递交材料，6月拿到Offer，7月入学，进入一个此前几乎没有积累的方向：模型泛化与医学影像。

他要去回答，实验室里跑得好的东西，放到真实世界还灵不灵。两年后，他得到一个令人沮丧但意料之中的结论：“有多少数据，就有多少泛化。”

2024年2月，Sora发布。OpenAI把视频生成描述成通向“世界模拟器”的一条路径。车昊轩再次看见了一个更大的东西：视频也许不只用来生成内容，还可以成为AI获得经验的环境。

于是，他决定从理解模型转向模拟世界。三个月后，车昊轩到腾讯实习，开始做GameGen。

车昊轩用三个词形容自己：赌徒、犟种、天真。

“当看到更大的事、更好的事之后，其实很难再回到那个差一点的事情里去。你看到更好的生活、更好的人、更好的机会，你不想去争取一下吗？”

说到这里，车昊轩扬了扬眉毛，像是忽然想起什么，又把刘邦和项羽见到秦始皇车驾时的话拼在了一起：“大丈夫当如此，彼可取而代之。”

童年、暗黑破坏神和任意门

GameGen上线两天，全网破了近千万浏览。但在当时开源的模型能力并不足以支持完成模拟世界，渐渐腾讯在这件事上的支持力度也非常小。

后来，车昊轩去了可灵，当时全球第一的视频模型团队。业务上做的是可控视频生成——让一个人在第5秒从画面外走进来，长什么样、怎么动，都要能控。但他自己想解的仍是另一个问题：这个世界能不能运行一个小时？我扭过头，背后那个人会不会动？

实践后的结论是：“哪怕你有那个时代最顶级的视频基模，你依旧做不出一个世界。”

单独一个模型模拟不了世界，世界的规则和因果必须由模型加上一套工程去配合——这件事在游戏行业早就被验证过：视觉可以做得很炫，但让游戏好玩的是背后那套机制代码。

离开可灵后，他进入华为香港研究所AI Lab，负责视频生成与世界模型方向。相比在其他公司做一名独立研究员，华为允许他带队、规划技术路线，也让他第一次接触千卡级训练。

入职后，为了解决模型质量问题，他把训练数据一条一条看了几千条。在他自己的标准里，竟有93%不合格——切镜、抖动、运动过快，或者干脆是一张几乎不动的静态画。于是他提出一套完整的方案、与同事一起合力解决。

因为这件事，他还在内部拿到了一支团队和小一千张卡。也是在那里，他第一次亲手设计模型架构并跑通预训练，那个项目叫OmniFusion。当时的关键判断是：世界从一个状态走到下一个状态，有些变化在像素层面能完成，有些不能。

“所以建模必须分层。”前述那个World State+Render的双层结构，就是从这句话长出来的。但真正让XGEN成形的，是他写下的约四万行代码。

2026年初，他利用周末时间做出一个叫“一念三千”的游戏：一个持续运行的世界，一批活在里面的Agent，以及与之对应的视觉呈现。

当他尝试与里面Agent对话，影响他们决策和生活的那一刻，他好像看见了别人眼里的世界。那一刻，促使他第一次极度渴望创业。

因为这不是一个可以直接装进手机或助手的功能，也无法自然进入某条已有业务。要把它真正做出来，需要从第一天起围绕这个问题组织模型、系统、产品和团队。

“这个事情只能出来干。”

而大厂教会他的，也不只有技术。

在腾讯，GameGen-X的一万多条视频是他一条一条看的，idea是他想的，图是他画的，但仍有无贡献者要求挂上名字；在华为，他拿到了千卡和带队的机会，但API、数据、人力和追加算力，都要在复杂的流程里逐项去争。

这是车昊轩对自身经历的判断，不必然是那些组织中每个人看到的事实。但它塑造了他后来构建组织的方式。

他希望有一个更务实、纯粹的环境，自己和团队都能心无旁骛地攻克技术。创业XGEN之后，他拿出远高于其他初创科技公司的股权作为团队池，他管这叫刘备逻辑——“财聚人散，财散人聚”。

他把团队成员称为“专家”和“哥哥、姐姐”，将自己的管理方法概括成一句话：“给别人撑伞。”

1997年，车昊轩出生在西安的一个大家庭。父母在他上幼儿园时离异：一个摄影师、一个化妆师，“各自去追求自己的艺术人生”。他跟爷爷、奶奶、伯父一起生活，“形成了一个很奇怪的寄人篱下”。2005年，他的奶奶查出肺癌，家里的状况开始一路往下走，为治病欠的钱直到十年后才基本还清。

他记得的不是数字，是饭桌上的肉越来越少，以及被鲜明的拒绝。

五六岁那年，他想要吃一顿肯德基。他说出了口，回答很明确：不行。此后他很少再开口要什么——“说出来也不会被满足，那我就向内求，不要提，也不要想。”

他把此前的人生比作游戏《神庙逃亡》：身后始终有一只怪物在追，只要稍有不慎掉下去，就会被它吃掉。

现实生活冷清，他便把大量时间交给小说、动漫和游戏。小学五六年级后，他用一部诺基亚E71读了难以计数的网络小说，按键和外壳被不断翻页磨得发亮。

他最喜欢的，是一部以第一人称写作、1865万字、连载十多年仍未结束的《暗黑破坏神之神之毁灭》同人小说。主人公穿越进入游戏，安家、冒险、娶妻生子。故事的重点不是通关，而是在另一个世界里一直生活下去。

很多年后，车昊轩试图建造的，也不是一段播放完便结束的视频，而是一个可以持续生活的世界。

XGEN里的GEN是generate，而X是未知。

二十年前，车昊轩试图想象身边很多人的真实生活，却因为从未经历而想不下去。即使XGEN最终成功，它也只能生成一种合理的可能。

但任意门的意义或许正在这里：它无法改变一个人所处的真实世界，却能让向往的未知世界第一次变得可以进入。

二十年后，车昊轩决定把当年无法想象的部分生成出来。

封面来源：Isaac Levitan, Над вечным покоем, 1894, Tretyakov Gallery

Powered by @XGEN

文章来自于微信公众号 “elsewhere别处发生”，作者 “elsewhere别处发生”