Meta再推WorldGen，简单一句话，竟「盖」出50×50米一座城

谷歌、OpenAI 那边一个接一个上新，整个 AI 圈都卷得飞起。

与此同时，Meta 也没闲着，先是 SAM 3、接着 SAM 3D，现在干脆直接把生成式 AI 的玩法往前踹了一大步：不光是画张图、生成一段视频，而是一句话就能生成一个能走进去的 3D 世界。

不是简简单单的场景截图，而是真・可漫游、可互动、能四处乱逛的那种。

你只需输入一句简单的提示词，比如「卡通风格的中世纪村庄」或「火星上的科幻基地站」，几分钟内就能生成一个可交互的 3D 世界。这个世界在风格和主题上是完全一致的，你的火星基地里不会出现中世纪现代建筑，你的中世纪村庄里也不会突然冒出维多利亚风格的家具。

中世纪村庄

赛博朋克贫民窟

同时，生成的 3D 世界还是结构合理的：不同区域之间会以可通行的方式连接，让角色可以在世界中自由漫步，而不会走着走着被卡住。

中世纪城镇广场，有石板路、木屋、钟楼和中央教堂。

这就是 Meta 最新公布的一项突破性研究 WorldGen：只需一段文本提示就能生成真正可导航、可交互、可以走进去探索的完整 3D 世界。

几年前，这听上去可能像是科幻小说，但随着生成式 AI 技术的快速发展，人们已经可以根据一句文本或一张图片生成令人惊叹的短片。

WorldGen 是一个先进的端到端系统，基于程序化推理、扩散模型 3D 生成技术，以及面向对象的场景分解组合而成。生成的结果是几何结构一致、视觉效果丰富、同时渲染高效的 3D 世界，可用于游戏、仿真和沉浸式社交环境。

一座沙漠小镇，拥有砂岩建筑、遮荫的市场遮阳篷和狭窄的小路。

方法介绍

现阶段，我们已经看到生成式 AI 在根据文本或图像提示生成高质量 3D 资产方面取得了巨大进展。WorldGen 将多项已有的 2D 与 3D 生成技术进行融合并创新：它首先生成 3D 场景的图像，然后再进行图像到 3D 的重建，主要包含以下阶段：

• 规划：程序化 blockout 生成、导航网格提取、参考图像生成；
• 重建：图像到 3D 的基础模型、基于导航网格的场景生成、初始场景纹理生成；
• 分解：使用加速版 AutoPartGen 进行场景部件提取、场景分解数据整理；
• 精修：图像增强、网格 - 精修模型、纹理生成模型。

其他已有的方法虽然也能从图像或文本提示生成可交互的三维世界，但它们通常从单一指定的视角出发向外扩展，而不是基于全局参考图像或完整布局进行生成。

这样的方式意味着：在中心视角附近，几何结构和纹理质量尚可，但一旦你向外移动 3 到 5 米，质量就会迅速下降。

相比之下，WorldGen 能够生成覆盖 50 x 50 米的完整纹理化场景，并在整个区域中保持风格与几何的一致性。

未来，Meta 还计划支持更大规模的世界生成。

古代寺庙群，以红塔式建筑为特色，有层叠的屋顶、石阶和庭院。

Meta 表示，这项工作目前仍处于研究阶段，尚未对开发者开放，但 WorldGen 生成的内容已经可以直接兼容 Unity、Unreal 等主流游戏引擎，无需额外的转换流程或渲染流程。

不过，Meta 也强调，尽管 WorldGen 在生成多样化、可交互、可导航的世界方面取得了重要进展，但当前模型仍存在一些改进的地方。例如，未来版本将支持更大空间规模，并降低生成延迟。

在传统工作流中，三维内容的制作往往既复杂又耗时，对许多人来说甚至难以踏入。WorldGen 的出现让情况开始发生变化，它展示了跨行业节省时间和成本的巨大潜力，并让普通人也有机会参与到 3D 世界构建中来，推动内容创作真正走向大众化。这也呼应了 Meta 在 Connect 大会上描绘的愿景：未来，每个人都能在无需编写任何代码的情况下，从一个简单的文字提示开始，创造出属于自己的完整虚拟世界。

一个以万圣节为主题的村庄，有歪斜的黑色屋顶房屋、发光的窗户、南瓜和扭曲的树。

与此同时，Meta 还放出了相关论文，感兴趣的读者可以阅读论文，了解更多内容：

• 论文标题：WorldGen: From Text to Traversable and Interactive 3D Worlds
• 论文地址：https://scontent-sea1-1.xx.fbcdn.net/v/t39.2365-6/586830145_834419405978070_3937417229378696315_n.pdf?_nc_cat=104&ccb=1-7&_nc_sid=d65b48&_nc_ohc=KjIRxfgDxfAQ7kNvwEUbcRV&_nc_oc=AdkyeBfeCoX5Y2sIxaeN_wzTJOo3BvhPhYFDsCuN2XdGW60PPHW5-cPauGTZ7kjcmN6LymJ7ZXAcfyjoy5mlGra1&_nc_zt=14&_nc_ht=scontent-sea1-1.xx&_nc_gid=3tX278lz5_LpF7k9qDsxvQ&oh=00_Afjv87PRMbBTzjkRBOHUekl_YD8a0iIEvaJu8RrnvKr7vg&oe=6926DA80

与其他新兴技术的对比：WorldGen 的优势

前段时间，斯坦福大学教授李飞飞的创业公司 World Labs 推出了 Marble ，该系统使用的是 Gaussian Splatting 技术，能实现高度写实的视觉效果。虽然画面非常逼真，但这类基于 splat 的场景存在一个明显短板：一旦摄像机从中心视角稍微移动，仅仅 3 到 5 米，图像质量就会迅速下降。

相比之下，Meta 选择以网格（mesh）为基础输出几何结构，使 WorldGen 成为一个真正面向功能开发的工具，而不仅是用于渲染视觉内容。这种结构原生支持物理模拟、碰撞检测和导航，对于任何交互式软件而言，这些功能都是不可或缺的。也因此，WorldGen 能生成面积达到 50×50 米的完整场景，并且在整个区域内保持几何的一致性与完整性。

对技术或创意领域的从业者来说，WorldGen 的出现意味着 3D 工作流程将迎来新的可能性。

与此同时，技术美术和关卡设计师的工作方式也将发生转变，从手动摆放每一个顶点，转向使用提示词驱动 AI 并对其输出进行筛选与编辑。

当然，尽管 WorldGen 输出的场景可以无缝接入现有游戏引擎（如 Unity 和 Unreal），但生成过程本身对算力的需求依然很高。因此，开发者也需评估本地渲染和云端渲染的能力，以决定最合适的部署方式。

参考链接：

https://www.meta.com/blog/worldgen-3d-world-generation-reality-labs-generative-ai-research/

https://www.artificialintelligence-news.com/news/worldgen-meta-generative-ai-for-interactive-3d-worlds/

文章来自于微信公众号 “机器之心”，作者 “机器之心”