從像素到狀態：重新思考「互動世界模型」——影片生成當遊戲引擎還缺什麼

影片生成模型這一年被捧成「次世代遊戲引擎」的候選人：給定玩家操作，模型直接預測下一幀畫面，世界不用建模、物理不用寫、關卡不用做，一切從資料裡湧現。Google 的 Genie 系列與多家實驗室的互動影片模型都走這條路。這篇論文對熱潮潑了一盆有依據的冷水：檢視這條路線後指出，真正可玩的遊戲世界需要的是「遵循規則的互動結果」——撿到鑰匙才能開門、血量歸零就要倒地，而這些結果必須隨著持續演化的遊戲狀態保持一致。

純像素預測的軟肋正在這裡：模型預測的是「畫面看起來像什麼」，不是「世界處於什麼狀態」。玩家轉身一圈，背後的寶箱可能憑空消失；同一扇門這次要鑰匙、下次不用——畫面每幀都合理，邏輯卻前後矛盾。論文主張把顯式的狀態表示拉回世界模型：像素負責呈現，狀態負責記帳，遊戲規則作用在狀態上而非畫面上，才撐得起真正的互動性。

路線之爭的產業賭注不小。傳統遊戲引擎巨頭押「AI 輔助現有管線」，AI 實驗室押「生成模型吞掉整個引擎」，這篇論文等於指出兩邊都不完整：沒有狀態的生成世界是夢境，不是遊戲。從標題「從像素到狀態」就看得出立場——湧現派的路線走到瓶頸，混合架構正在成為新共識。

歸剛點評：任何玩過那些「AI 生成遊戲」demo 的人都懂這篇論文在說什麼——畫面驚豔，玩三分鐘就穿幫，因為世界根本不記得你做過什麼。遊戲之外的意義更大：機器人與代理的世界模型有一樣的病，光會預測畫面不會維護狀態，就永遠只能活在當下。「狀態」這個遊戲引擎用了四十年的老概念被 AI 研究重新發現，繞了一圈回到原點，也算是行業的一種浪漫。