兩個斯坦福博士帶來了另類世界模型，已獲英偉達等巨頭投資

近期，一家位于舊金山的初創公司 Moonlake AI 宣布公開測試其“世界建模智能體”（World Modeling Agent），同步發布的技術博客展示了一個保齡球小游戲的十階段構建過程，從網格資產生成、剛體物理賦予、碰撞檢測、計分邏輯、音頻集成到逆運動學（IK, Inverse Kinematics）抓取動畫，全由 AI 自主完成。Moonlake 的 beta 產品能在 15 到 20 分鐘內，將一段自然語言描述變成可運行、可操控、有物理反饋的完整游戲原型。

Moonlake 試圖讓任何人通過自然語言，直接生成帶有物理引擎、游戲邏輯、碰撞檢測、計分系統甚至空間音頻的完整交互式世界。用創始人自己的話來說，他們不只是在做一個游戲生成器，而是想借游戲開發這個過程，去訓練一個關于“世界如何運作”的前沿 AI 模型。

該公司總部位于舊金山，由兩位斯坦福 AI 實驗室出身的博士 Fan-Yun Sun 和 Sharon Lee 聯合創立。Fan-Yun Sun 在斯坦福讀博期間同時在英偉達的學習與感知研究團隊以及 Metropolis 深度學習部門（即 Omniverse 相關項目）工作，主攻方向是為訓練 AI 智能體生成大規模 3D 世界。

Lee 的研究方向則是將擴散模型（Diffusion Model）和 3D 引擎結合，構建能夠理解空間的基礎模型。兩人的研究背景高度互補，一個解決“如何生成世界”，一個解決“如何讓世界有交互”。

圖丨 Fan-Yun Sun（右）和 Sharon Lee（左）（來源：Moonlake）

公司于 2025 年 10 月從隱身模式走出，宣布完成了 2,800 萬美元種子輪融資，由 AIX Ventures、Threshold Ventures 和英偉達旗下風投 NVentures 聯合領投。

天使投資人陣容也相當亮眼：YouTube 聯合創始人 Steve Chen、AngelList 創始人 Naval Ravikant、Google 首席科學家 Jeff Dean、GAN（Generative Adversarial Network，生成對抗網絡）發明者 Ian Goodfellow，以及來自 Hugging Face、DeepMind、Stability AI、OpenAI 的多位高管。截止近期，融資數字已更新為約 3,000 萬美元，團隊大約 15 人，由 ACM ICPC 獎牌得主和國際奧林匹克競賽獲獎者等組成。

2025 年 12 月，Moonlake 發布了他們的核心產品 Reverie，也就是所謂的 GGE（Generative Game Engine，生成式游戲引擎）。按照公司的說法，這是第一個“可編程的世界模型”，用于實時交互內容生成。它和此前的 AI 視頻生成模型有一個關鍵區別：狀態持久性。

大部分視頻生成模型（比如 Sora 之類）能產出漂亮的畫面，但它們本質上是在預測“下一幀看起來應該像什么”，不維護一個真正的世界狀態。如果玩家在游戲里打碎了一個花瓶，幾秒鐘后花瓶可能又恢復原樣了。

Moonlake 的系統通過將擴散模型與結構化 3D 信號綁定，讓世界中發生的變化能持續保持。Lee 在接受采訪時說過，生成式世界中一直缺失的那塊拼圖就是“控制”，創作者需要能定義什么會變、為什么變、變化維持多久。

具體來看 Moonlake 的技術架構，它并不是一個單一模型，而是一個“編排者”（orchestrator）。用戶的自然語言指令進入后，系統調用一整套專門化的第三方 AI 模型來分別處理不同任務：空間布局用多模態推理，游戲邏輯靠程序合成（program synthesis），物理交互用模擬層，視覺渲染則由實時擴散模型完成。

Fan-Yun Sun 對 Fast Company 描述說，他們的編排模型會隨著時間推移學會如何融合這些模態，并逐步把外部模型的能力納入自己體內。

Moonlake 在官方博客中給出了一個很具體的案例來展示這套系統的推理過程：一個賽博朋克風格的保齡球迷你游戲。用戶只給了一句話的提示：“在街機房里創建一個賽博朋克美學、半寫實風格的保齡球小游戲”，沒有提供任何架構約束或實現細節。

接下來，系統的 agent 自動走完了十個階段：先是資產實例化，生成球道、球瓶、保齡球的 3D 網格和 PBR（Physically Based Rendering，基于物理的渲染）紋理；然后是物理化，把球瓶轉換為剛體，賦予摩擦系數 0.4、彈性 0.15，球瓶質量 1.5 公斤，保齡球 5 公斤；再到空間布局、核心游戲邏輯、球的生命周期管理、邊界穩定、邊緣情況處理、音頻集成、IK（Inverse Kinematics，逆向運動學）手臂抓取系統，最后是由用戶反饋驅動的細節打磨。

從這一實例也能看出，Moonlake 對“世界模型”的定義和當前 AI 圈主流話語有較大不同。過去一年里，“world model”這個詞在 AI 行業被大量使用，但大多數時候指的是下一幀視頻預測，即給定當前畫面和用戶操作，預測接下來視覺上應該是什么樣。

Google DeepMind 的 Genie 3 在 2025 年 8 月發布，能以 24 幀每秒生成可導航的 3D 環境；李飛飛的 World Labs 在 2025 年 11 月推出 Marble，可以從文本、圖片或視頻生成可下載的 3D 世界。

Moonlake 的思路和上述這些都不太一樣。在他們看來，一個世界的狀態不能被簡化為一幀圖像或一團像素。

他們的博客文章用保齡球瓶做了個例子：一個保齡球瓶同時是空間中的一個有紋理的物體、一個有質量和慣性的剛體、一個可以被撞倒的對象、一個對比分有貢獻的符號實體，以及一個撞擊時的聲源。當球擊中瓶子的那一刻，變換矩陣更新、物理求解器解析碰撞沖量、比分遞增、音頻觸發、重置計時器推進等，這些不是獨立事件，是同一個因果事件的同步結果。如果其中任何一個模態更新而其他沒跟上，世界就不連貫了。

所以 Moonlake 追求的是跨模態的因果一致性，而非單純的視覺逼真。他們把世界模型應該同時編碼的東西分成了五個維度：幾何（變換、拓撲、空間關系）、物理（質量、力、碰撞約束）、可供性（affordance，即什么動作是可能的、由誰來執行）、符號邏輯（規則、分數、定時器、狀態機）、感知映射（視覺投影和空間音頻）。這個框架比純視覺世界模型更全面，也更貼近傳統游戲引擎實際做的事情。

（來源：Moonlake AI）

就當前實際的產品體驗來看，其的確可以較為迅速的制作出一個簡單的游戲原型，但仍需耗費較大精力進行打磨。在 Fast Company 報道的實測中，記者初次嘗試做一個 3D 地牢探險游戲時遭遇了失敗，產出了一個滿是膠囊形角色的單間。

之后他縮小范圍，做了一個 2D 冰淇淋堆疊游戲，初版在 15 到 20 分鐘內出來了。核心玩法基本到位，冰淇淋從天上掉下來的節奏恰到好處，鍵盤控制映射也是自動完成的，系統甚至主動加了一個冰淇淋落到蛋筒上時的彈跳動畫。但廚師是個白色粗糙圖形，冰淇淋不會正確堆疊。

于是他又花了好幾個小時反復和 AI 溝通修復物理效果，陷入“幾乎解決但沒完全解決”的循環。最終他把剩余需求一股腦塞給系統，15 分鐘后拿到了有計分、有 Game Over 畫面的完整游戲，消耗月度 1,500 信用點中約 950 點，按 40 美元月費算不到 25 美元。速度驚人，打磨依然費力。

不過 Moonlake 真正的長期賭注不在工具層面。Lee 和 Fan-Yun Sun 反復強調的一件事是：用戶每一次在平臺上糾正系統的物理行為、補充游戲規則、調整因果關系，都在為 Moonlake 自己的多模態模型提供訓練信號。

Fan-Yun Sun 把這和現有的世界數據采集方式做對比，例如租 Airbnb 用激光掃描房間是靜態的、難以規模化的；分析視頻缺少人類語境；只用單一游戲數據（比如大量《堡壘之夜》錄像）訓練出的模型不會泛化到真實世界。

而 Moonlake 上的用戶交互天然帶有意圖和反饋，是因果數據。如果這個飛輪跑起來，數據規模會指數級增長，模型也會隨之變強。游戲之后，他們設想的應用方向包括機器人訓練、自動駕駛和制造業人因分析。Lee 稱他們已經接到了制造企業的咨詢。

只是目前其 beta 版每天僅放量 100 人，離“飛輪轉起來”大概還有相當遙遠的距離。

參考資料：

1.https://x.com/moonlake/status/2026718586354487435

2.https://moonlakeai.com/blog/building-interactive-worlds

3.https://www.fastcompany.com/91491025/moonlake-ai-vibecoded-video-game

運營/排版：何晨龍