领跑全球的 VAST 生成了一套面向未来的内容基建。

文 / 托马斯之颅 & 王丹

现代投资圈有一句俗话：「资本会自动流向自己最被需要、回报最高的地方」。

按这个标准来看，游戏行业的老朋友：通用人工智能公司 VAST 最近一个月完成两轮大额融资，就很容易理解了。

7 月 2 日，VAST 宣布已在本月完成超 10 亿的 A3 轮融资，资方包括 4399、贪玩、巨人等游戏大厂，以及诸多车企、互联网公司、投资机构和地方产业基金。而今年 6 月，他们才刚刚完成 A+ 和 A++ 两轮合计近 2 亿美元的融资。

VAST 的代表作是 AI 3D 大模型 Tripo，它的全球用户超过 2000 万，海量游戏大厂都已把它应用到了自己的开发管线。

今年 3 月，Tripo 发布了 H3.1 和 P1.0 两个新版本。其中 H3.1 在输入对齐、结构精度、贴图质量等核心指标上有明显提升，生成的模型可以直接用于 3D 打印和工业设计，刷新了行业的精度天花板；

P1.0 模型则能根据输入的图片在两秒内输出拓扑规整、布线合理的 3D 资产，再多给一分钟，还能自动生成纹理贴图。这也是迄今全球唯一一款能在数秒内输出生产级网格的 AI 3D 大模型。

6 月初，他们又首曝了在研的世界模型 Project Eden，表示「区别于传统世界模型路线预测下一帧画面，Eden 模拟的是一个持续运行的环境……这是第一个原生面向多人与智能体并发交互，并运行在一致世界状态中的世界模型」。

这里先和不熟悉的朋友介绍一下：世界模型的能力并不止于生成文字、图片、视频、模型等单段素材，而是可以生成可交互、持续存在、符合物理规律的世界。

左右滑动查看

不再需要人来整合拼接，也不需要引擎来生成……看到这儿，你应该明白世界模型对游戏行业冲击有多大了：今年 1 月底，谷歌开放 Genie 3 实验原型时，Unity 股价跌约 24%、创下自 2022 年以来的最大单日跌幅，Roblox、Take-Two、AppLovin 等游戏相关公司的股价，也均下跌。

当时有人指出，世界模型很难影响游戏，因为它存在难以维持一致性的局限性，AI 会「遗忘」过往场景。俗话说就是，你在世界模型生成的世界里走着走着，一回头，来时的景却变了，好似 AI 只知道生成新内容，却记不住过去的事儿一样。

而 Project Eden 提出的「一致世界状态」，显然就是要解决这个痛点。他们没有采用一体化生成视频的方案，而是通过重新梳理技术架构，最终让世界具有记忆、规则不变，且支持多人交互。

在同一个世界，不同玩家打靶的动作都会被独立判断

对游戏人来说，这听起来令人担忧……直接输出世界，是不是传统的研发流程要被颠覆？自己的知识结构是不是要彻底翻新？

但 VAST CTO 梁鼎认为，游戏行业没必要焦虑。世界模型真正的价值，在于让 C 端消费者用更简易的方式创作高质量互动内容，而非取代现有的游戏开发模式：

"（为游戏厂商提效）不是我们做世界模型的出发点，我们认为世界模型代表一种全新的创作形态。"

梁鼎的说法，对应了 VAST「做 UGC 互动平台和 3D 内容生态的基座」的长期愿景。或许正如 VAST 创始人宋亚宸先前所说，他们真正想做的，是 " 让人人都成为超级创作者。"

如果这一天真的实现，如宋亚宸所说，游戏行业的规模至少能翻 10 倍。届时什么是游戏、谁在玩游戏、谁能做游戏、游戏人又该如何靠游戏挣钱……一切都将发生巨大的改变。

以下是葡萄君与梁鼎的对话（为方便阅读，内容有所调整）：

01

世界模型：

出发点并非降本提效

葡萄君：你们是什么时候开始做世界模型的？

梁鼎：去年下半年。那时不少 AI 团队看到了世界模型这个机会，大家都在积极尝试。和被外界评价「市场狭窄」的 3D 生成不一样，世界模型的市场想象空间很大，也很快成了 AI 领域的热点。

对于 VAST 来说，因为先前在 AI 3D 生成领域有积累经验，我们认为自己在世界模型方向存在一定优势，有能力去做。

不过更重要的是，VAST 自成立之初，目标就是做 UGC 内容平台，而对 UGC 用户来说，可以推演世界规律的世界模型，意味着更高的自由度，以及端到端、更简化的创作路径。

我们认为它是更理想化、上限更高的实现方式。

葡萄君：这和市面上其他世界模型所实现的效果，有什么区别？

梁鼎：目前我们观察到的世界模型，在应用上存在两个方向。

第一个方向侧重具身智能（有身体并支持物理交互的人工智能）。

在这个方向上，现在较多人用的是纯视频路线，即 WAM（World Action Model，世界动作模型），简单概括就是视频进、视频出——输入端是「当前视频帧（观测）+Action（动作 / 指令）」，输出端是「视频 +Action」。

这是继 VLA（Visual-Language-Action，视觉 - 语言 / 指令 - 动作）之后出现的，比较主流的实现方法。当然，并非所有世界模型都在走这条路线。

World Labs 的 Marble，就更侧重场景生成。它能做出静态的、仿真的环境，为具身智能提供环境模拟，但没法推演世界发展。所以有些人会认为 Marble 不能归类为世界模型。

杨立昆的 JEPA，则侧重让人工智能去理解、感受世界运行的规律，并根据规律来做决策，但不追求画面呈现、画面推演。

相对而言，我们走了一条更通用的世界模型之路。

具体来说，面向互动内容，Project Eden 提供的是「环境生成 + 交互逻辑构建」的一站式能力。它既能支持大众创作者以自然语言、简易动作，一键创作可多人共享的互动世界，也能服务游戏、影视、VR/AR、数字孪生等行业的内容生产与互动体验落地。

另外面向科研领域，Project Eden 还能为具身智能的大规模训练与多智能体性能评测，提供具备完整物理规则、长时序一致性、可自由干预的仿真环境。

葡萄君：这和其他世界模型不一样在哪？

梁鼎：我们想实现的，不单单是实时交互，还有多人同时在线交互。具身智能在大部分情况下，并不存在多人同时交互的强需求。

两辆车在 Eden 里同时竞速，共享同一个世界

同时，我们需要实现长时间、大空间的一致性记忆。通俗点讲，用户离开当前场景，过了一段时间回来，这个场景应该保持原先的样子。

具身智能在这方面的研究负担不算非常重，他们关注的往往是「过去几十秒的事」和「接下来几十秒要怎么做」，不需要担心长时间记忆。

葡萄君：一致性记忆实现起来有多困难？

梁鼎：不简单，我们花了很长时间去想怎么实现。

最开始我们考虑过「大力出奇迹」，比如做一个类似 Seedance 的视频模型，把它的规模控制到类似语言模型的大小，并让单个模型实现端到端输出。

但这解决不了前面提到的两个问题：第一，视频模型很难同时输入、输出多人在线交互内容；第二，纯视频模型难以保证空间和时间的一致性，它要通过历史帧来推测接下来的帧，但我们不可能让大模型把几十小时的历史帧全记下来。

既然纯视频路线行不通，我们就开始想其他办法，最终逐步推演到现在分层、收敛的技术路线。

葡萄君：怎么分层？

梁鼎：具体来说，Project Eden 最核心的一层，负责状态的维护，并据此进行推演。它不需要以视频帧的方式去记住发生的事情，而是以 3D 信息的形式来记忆，包括环境中各种物体在空间的位置、状态等。核心层不负责输出任何内容，只负责记忆和推演。

第二层，则像一个转换枢纽。它负责将核心层记录、推演的，保有时间和空间一致性的 3D 信息，转变成更抽象的 2D 视频信息。枢纽层依然无法直接输出面向用户的内容，因为它转译出的视频非常粗糙。

最后一层，才负责渲染。它会把粗糙、抽象的 2D 视频信息，渲染成有细节的、更精细的画面。

也就是说，我们最终采用的解法，是将底层的世界状态推演与表层的视觉渲染进行了原生解耦。

葡萄君：Project Eden 这套解法，可以商用了吗？

梁鼎：现阶段 Project Eden 距离商用还有距离。它的推理速度不够快，而推理速度会直接影响用户体验。

同时，我们不希望把模型放在云端，那样它生成的成本可能大于等于云游戏，架设在用户本地的话，成本相对可控，用户体验也比较好。但当下 Project Eden 进行实时推理，还是需要比较好的显卡，甚至单卡还跑不动。之后我们还要进一步压缩模型规模，并结合硬件性能做优化。

我们的的目标是最终在移动端也能使用 Project Eden。

葡萄君：所以未来游戏厂商可以直接用你们的世界模型做游戏？

梁鼎：那并不是我们的出发点。

我们做世界模型，主要是认为它代表一种全新的创作形态，可以让普通用户用一种端到端的方式，更自由地生成内容。

未来我们自己会做一个为普通用户提供创作和消费的内容平台。

葡萄君：从短期来看，世界模型会影响游戏公司的工作模式吗？之前我看你们有过一些设想，比如利用世界模型做画风测试，或者用它来取代一些不需要精细生成的状态机场景。

梁鼎：这些都是潜在的应用场景，包括大家也可以拿世界模型来做宣发素材，但这些不是我们的初衷，也不是世界模型最核心的价值。我们最终希望能通过 3D 大模型也好、世界模型也好，让每个普通人都能零门槛地创造互动世界。

葡萄君：那你觉得这些用户可能会用世界模型创作什么内容？

梁鼎：和很多人的想法不同，我认为世界模型不一定擅长做 3A 开放世界。因为它们的制作成本很高，期待玩家投入大量的时间和金钱，但因此具备比较高的学习门槛。世界模型则可以让更多用户创作出偏个性化、轻互动的内容。

举个例子，一个小伙子想给女朋友求婚，那可以尝试搓个虚拟场景，埋一些解谜线索，让女朋友在生成世界里解谜，根据线索最终找到一枚戒指。这就能构成一种浪漫温馨的体验。

这事儿很私人，可以在小范围内满足创作者和消费者的想法。也可以分享出来，让大家借鉴、参考它做出自己的求婚场景。

葡萄君：聊起 AI 游戏，很多人会假设未来会有无限供给、无限消费。按照你的逻辑推演，可能用户生产出来的内容，可能只给自己，或是给身边几个人来消耗就够了？

梁鼎：分情况。用户创作的目的不一定是为了挣钱。

部分用户创作 UGC 内容，可能只是想给自己或周围人分享，就像今天拍短视频、发朋友圈一样。

但也有人创作了能被很多人共情、欣赏的内容之后，就会获得很大的流量，被大量点赞、转发、收藏。这其实会有些像今天的短视频生态。

葡萄君：现在很多游戏公司都焦虑自己会不会没看懂、没参与世界模型，最后错过了很大的机会。对此你怎么看？

梁鼎：我觉得不用焦虑。

很多公司也会问，是不是传统游戏的研发有一天会被世界模型影响？然后问很多细节。但其实传统游戏卖的是好玩的内容，是为了让用户愿意花钱；而我们这条路的商业模式完全不一样，游戏内的资产、消费、交易甚至广告，也一定会和现在的模式完全不同。

02

3D 大模型：

没想过让 AI 取代从业者

葡萄君：聊聊 Tripo 吧。现在 Tripo 现在进展到什么地步了？

梁鼎：我们今年 3 月发布了 Tripo H3.1、Tripo P1.0 模型，离「AI 生成后直接可用」更近些了。

在此之前，很多人用 AI 只能生成高模建模，面数可能高达百万面。这样的模型布线不合理，面数太高，UV 也展开不了，没法直接在游戏里使用。

而 Tripo P1.0 可以在维持精度的前提下，让模型面数降下来，布线也更合理。这样用户就不需要再手动从高模烘焙低模了。

当然，Tripo 依然不算完全成熟，我们还有很长的路要走。包括有些功能，也是通过和游戏厂商实际沟通，我们才发现需要增加或改进。包括拆件之类的功能，也是从大家的需求中来的。

VAST 的智能部件拆件功能

可以自动分件 AI 3D 资产，直接进入下游管线

葡萄君：有点好奇，最近游戏厂商又提了哪些需求？

梁鼎：比如有不少游戏公司想尝试用 AI 做资产重置，想把几十年前老游戏的旧素材，翻新成画质更高、精度更高的版本。那我们就可以做一些特定的算法，帮助他们适配管线。

葡萄君：之前你们曾经说 Tripo 变成一个开发平台，除了 3D 生成，再集成一些类似动画制作的能力。你们会希望它有一天取代游戏引擎吗？

梁鼎：取不取代游戏引擎，不是我们要考虑的问题。

Tripo 的核心价值是提升用户的生产力。专业用户怎么用着方便，我们就怎么配合。

比如，他们习惯用 DCC（Digital Content Creation，如 3DS Max、Maya、Blender 等）、游戏引擎，那我们就在他们习惯的流程里，去嵌入 Tripo 的能力。

也许未来某一天，专业用户的开发流程被 Agent 之类的东西影响了，不习惯用引擎做游戏了，那我们也会顺应新管线去对应调整。

现在有的小团队，会拿我们生成的资产直接用，或者把 Tripo 作为插件在引擎管线里使用；大一点的游戏公司，会把我们接入美术中台，让美术中台提供通用的能力，给到各个团队。这些我们都很欢迎。

葡萄君：现在 Tripo 能做到「原生可用」的程度吗？之前有人说，AI 发展再快，「最后一公里」的问题也难以解决，终究还是需要人工调整收尾。

梁鼎：首先，可用的定义本来就因人而异。

单说游戏行业，就分手游、PC、主机；体量大到可至 3A，小到可至休闲、小程序游戏……不同创作团队，对可用的需求有区别。

对于资产精度要求不高的小型公司来说，Tripo 生成的内容，大概已经可以直接作为游戏资产使用了；但大型游戏公司，则大多会将 Tripo 接入美术中台，再由中台提供通用能力。

所以我们更在乎的，是如何通过技术提高产能，减少人工调整的工作量，而不是说去取代专业用户或专业工具。

比如原先专业用户做一个高质量内容，可能在 3D Max 里需要人工搓两周，有了 Tripo 的帮助后，这个时间可能缩短到 3 小时。未来这个过程是否能压缩进 1 小时，或是 5 分钟？这是我们要考虑的问题。

葡萄君：如果一家公司特别希望把 Tripo 融入自己的生产流程，你会给他们怎样的建议？

梁鼎：这方面我们有很多最佳实践。Tripo 哪些能力比较好，可以用在什么场景下面，哪些有局限，该和什么工具组合使用，我们都会事先讲清楚。

其实很多建议都比较通用。比如虽然 Tripo 提供了几何、贴图和绑骨的能力，但我们建议你还是要按照先改几何，再贴图，再做动画的顺序。很多用户可能会先生成带贴图的模型，然后再拆件、绑骨，绑骨后发现效果不行，又要重新贴图，这样流程来来回回调整，反而开发速度会变慢，效果也不好。

另外也有一些公司追求极致的精度，会觉得现在的 Tripo 还做不出他们想要的高精建模。但其实你可以把模型的各个部件拆开，单独生成，再组合起来，这样整体精度就会变得更高。

03

为吃饺子蘸醋，

还是为吃醋包饺子？

葡萄君：未来 VAST 可能会拥有多少产品？Tripo 和 Project Eden 最终会合二为一吗，做成一个非常庞大的开发平台吗？

梁鼎：不会，我们从一开始就计划打造多条产品线。

Tripo 的定位很明确，和世界模型完全不一样，它就是 AI 3D 一站式工作台，降低创作门槛，提升用户生产力。除了 Tripo 和 Project Eden，我们还会进行一些其他产品线的尝试。

不同产品线所依靠的底层 AI 大模型技术是共通的，只是应用层面、面向的群体不一样。

葡萄君：多个产品线都在做，你们如何协调技术团队？

梁鼎：我们的产品线划分得相对清晰，每个产品都有对应的产品团队和工程团队，但算法团队非常扁平，也非常透明。

而且我们的算法团队很早就会参与到产品设计中，不是说产品、工程想清楚自己要什么后，再把问题丢给算法。像去年构想世界模型时，算法、工程团队就会一起讨论用户想要什么，我们能做什么，我们跟其他竞争对手的差异是什么。

葡萄君：所以跟其他做世界模型的同行相比，你们的核心竞争力是什么？

梁鼎：一方面是我们在 3D 层面的积累。毕竟我们的世界模型技术路线是 3D+ 视频，核心层要靠 3D 技术来搭建。

另一方面，可能和其他团队不同，我们对互动内容这件事比较有信仰。

具体来说，我们并不是因为世界模型很火热，才去做世界模型。而是因为从 2023 年开始，我们就执着于实现 UGC 互动内容平台这个目标。

做 3D 大模型，是为了离这个目标更近；做世界模型也是同理；未来说不定我们还要做更多尝试。

说白了，你是为了吃饺子才蘸醋，还是为了吃醋而包饺子？目标不同，团队在长期投入、应用实践等方面，也有竞争力的区别。

葡萄君：有人会说，未来游戏的边界会变得越来越模糊，可交互内容的市场至少会和游戏一样大。你们怎么看它的发展态势？

梁鼎：我们没想那么多，但它会是独立于短视频、独立于游戏的一种形态，有自己的发展规律。不过至少到现在，你还不能指望每个人都懂什么叫资产，什么叫蓝图，什么叫游戏发布，我们必须要把它做得足够简单，又足够自由才行。

游戏葡萄招聘内容编辑，

点击「阅读原文」可了解详情

推荐阅读

点击下方名片，关注公众号

（星标可第一时间收到推送和完整封面）