想象一下你正在观看一场规模宏大、混乱不堪的多人在线游戏，数百名玩家同时在其中奔跑、跳跃和投掷物品。在现实世界中，如果你和你的朋友同时看着一棵倒下的树，即使你们站的位置不同，你们看到的树落地的时间也是完全一致的。但要教会计算机理解这一点却极其困难。通常，那些试图预测场景未来的计算机——被称为“世界模型”（world models）——就像是单人摄像机。它们可以猜出一个人接下来会看到什么，但如果你突然增加第二个人，或者一百个人，计算机就会陷入混乱。这就像是试图通过只了解一位客人的视角来描绘一场派对的景象；如果你试图加入更多客人，那幅画往往会崩塌，或者需要你从头开始重新绘制整个画面。科学家们一直试图构建一种“通用模拟器”，它能够处理任意数量的玩家而不崩溃，无论有多少人加入游戏，都能为所有人保持世界的连贯性。

这篇论文介绍了一个名为 Khora 的新系统，它扮演着这些虚拟世界中超级聪明且隐形的“游戏主持人”。Khora 并没有强迫计算机去应付固定数量的玩家，而是将“世界的规则”与“摄像机视角”分离开来。你可以把它想象成房间中央一块共享的白板。每个人都在这块白板（作者称之为 STBoard）上记录他们的行动和观察。当一个玩家想要观察正在发生的事情时，他们并不直接询问其他玩家，而是通过观察这块白板，并根据自己所处的特定位置画出他们所见的景象。因为白板并不关心房间里有多少人，所以你可以随时加入一名新玩家，他们可以立即开始阅读白板并绘制属于自己的视角，而无需其他人重新学习如何玩游戏。

研究人员发现这种方法效果极佳。在测试中，他们从一小组智能体（虚拟角色）开始，然后突然增加了更多，同时达到了 64 个不同的观察视角。系统无需重新训练或更改，就保持了世界的连贯性。无论智能体是在扔手雷还是仅仅在行走，每个人看到的事件都是同步发生的。该系统也非常高效：即使有 80 个智能体，生成单个模拟步骤所需的时间也仅略微增长，保持在 116 毫秒左右。这表明我们终于可以构建开放世界模拟器，让数千个智能体进行实时交互，并且每个人都能看到一致的现实，而不会让计算机过载。

问题所在：“固定座位”陷阱

想象你在参加一场晚宴，但桌子正好只有四个座位。如果第五位朋友来了，你不能只是拉把椅子过来，你必须建造一张全新的桌子，移动食物，并重新布置整个房间。这就是目前大多数“多智能体世界模型”的工作方式。它们是针对特定数量的玩家进行训练的。如果你想模拟一场由 10 名士兵组成的战斗，你就为 10 名士兵训练一个模型。如果你突然想增加第 11 名士兵，模型就会崩溃。这就像是一个电子游戏，如果你在游戏开始后尝试添加一名玩家，游戏就会崩溃。

作者认为，这种思考方式是错误的。在现实生活中，物理定律并不关心房间里有多少人。无论是一个人还是第一百万人，重力法则都是一样的。当前 AI 的问题在于，它试图通过记忆一组固定成员之间的特定交互来学习“规则”。如果群体发生了变化，规则似乎也随之改变了。论文指出，与其强迫 AI 去记忆每种可能的玩家组合，我们应该教它维护一个关于世界的单一“共享真相”，然后让每个玩家根据这个真相得出自己的视角。

解决方案：共享白板 (STBoard)

Khora 通过将问题分为两个截然不同的部分来解决：维持世界的运转以及绘制图像。

1. 共享白板 (STBoard)： 这是整个运作的大脑。它是一个持久的记忆体，保存着世界的“真相”。它知道每个物体的位置、每个智能体站立的位置以及他们的动作。至关重要的一点是，这块白板没有固定的插槽。它是一个动态列表。如果一个新智能体走进来，系统只需在列表中添加一条新条目。如果一个智能体离开，它只需移除该条目即可。白板并不关心上面有多少条目。
2. 动作驱动的演化 (Action-Conditioned Evolution)： 这是更新白板的部分。当一个智能体决定移动或投掷物体时，系统会计算该动作如何改变世界状态。它会预测智能体下一步的位置，并据此更新白板。这一切发生在任何图像被绘制出来之前。
3. 视角合成（摄像机）： 这是艺术家。当一个智能体想要观察正在发生的事情时，系统会提取白板当前的各种状态，并将其投影到二维图像上，就像相机镜头一样。因为艺术家只需要观察白板和特定的相机角度，他们不需要与其他艺术家交流。每个视角都是基于同一个共享真相独立绘制的。

为什么这很重要

Khora 的魔力在于它打破了玩家数量与计算机大脑复杂度之间的联系。在旧系统中，增加玩家意味着计算机必须做大量的额外工作，以确保每个人对正在发生的事情达成共识。这就像是试图让 100 个人达成共识，却让他们同时互相交谈；这会变得非常混乱且缓慢。

有了 Khora，“共识”发生在白板上，而不是在绘画过程中。计算机更新一次世界状态，然后任何人都可以询问：“我从这里看能看到什么？”并立即得到答案。论文表明，这使得系统的扩展几乎呈线性增长。这意味着如果你将智能体的数量翻倍，你只需要将工作量也翻倍，而不是让它呈指数级爆炸。

结果：一个不断增长的世界

研究人员通过几种不同的方式测试了 Khora，以验证其是否真的有效。

• 视觉质量： 他们检查了图像看起来是否清晰。即使有 8 个不同的观察视角，图像依然锐利且清晰。系统保持了高质量，并没有因为观察者增多而变得模糊。
• 一致性： 这是最重要的测试。他们要求人类评判员观看不同角度的视频，并观察事件是否匹配。例如，如果智能体 A 扔出了一个球，智能体 B 是否在同一时间、朝同一方向看到了球的飞行？Khora 的得分非常高。它保持了世界的连贯性，而没有共享白板的系统经常会出现矛盾，比如球在一种视角下在移动，而在另一种视角下却纹丝不动。
• 动态人口： 他们模拟了一个智能体在运行过程中加入或离开游戏的场景。他们从两个智能体开始，增加了两个，然后移除了最初的两个。系统流畅地处理了这一过程。新智能体自然出现，旧智能体消失，整个过程没有破坏模拟。无需重新训练。
• 速度： 他们测量了生成一帧图像所需的时间。使用 1 个智能体时，耗时约 107 毫秒。使用 80 个智能体时，耗时约 117 毫秒。对于如此巨大的复杂度提升，这仅仅是微小的增长。在分布于 80 个 GPU 时，系统每秒可以渲染 2,700 多个视图。

这对未来意味着什么

作者指出，这种方法可以成为通往真正开放世界模拟的垫脚石。想象一座虚拟城市，成千上万的 AI 角色在那里生活、工作和互动，你可以随时切换到任何一个人的视角。或者想象在模拟环境中训练机器人，让它们可以与其他数百个机器人一起练习，学习如何在拥挤的空间中穿行，而不会导致模拟崩溃。

然而，论文也谨慎地指出，这目前还不是一根“魔法棒”。系统仍然需要一个基础地图（“粗略静态先验”）作为起点，因此它无法在没有任何设置的情况下直接进入一个完全未知的世界。此外，虽然系统很快，但如果要渲染所有这些视角，仍然需要大量的计算能力，尤其是当你想要同时模拟数千个智能体时。但核心理念——即我们可以将“世界的规则”与“摄像机视角”分离——似乎是让 AI 模拟变得更加灵活和真实的可靠路径。

简而言之，Khora 证明了你不需要在每位新客人到来时都重建整座房子。你只需要一块优秀的共享白板和一些懂得如何根据它进行创作的艺术家。