近期，一家位于旧金山的初创公司 Moonlake AI 宣布公开测试其“世界建模智能体”（World Modeling Agent），同步发布的技术博客展示了一个保龄球小游戏的十阶段构建过程，从网格资产生成、刚体物理赋予、碰撞检测、计分逻辑、音频集成到逆运动学（IK, Inverse Kinematics）抓取动画，全由 AI 自主完成。Moonlake 的 beta 产品能在 15 到 20 分钟内，将一段自然语言描述变成可运行、可操控、有物理反馈的完整游戏原型。
Moonlake 试图让任何人通过自然语言，直接生成带有物理引擎、游戏逻辑、碰撞检测、计分系统甚至空间音频的完整交互式世界。用创始人自己的话来说，他们不只是在做一个游戏生成器，而是想借游戏开发这个过程，去训练一个关于“世界如何运作”的前沿 AI 模型。
该公司总部位于旧金山，由两位斯坦福 AI 实验室出身的博士 Fan-Yun Sun 和 Sharon Lee 联合创立。Fan-Yun Sun 在斯坦福读博期间同时在英伟达的学习与感知研究团队以及 Metropolis 深度学习部门（即 Omniverse 相关项目）工作，主攻方向是为训练 AI 智能体生成大规模 3D 世界。
Lee 的研究方向则是将扩散模型（Diffusion Model）和 3D 引擎结合，构建能够理解空间的基础模型。两人的研究背景高度互补，一个解决“如何生成世界”，一个解决“如何让世界有交互”。
公司于 2025 年 10 月从隐身模式走出，宣布完成了 2,800 万美元种子轮融资，由 AIX Ventures、Threshold Ventures 和英伟达旗下风投 NVentures 联合领投。
天使投资人阵容也相当亮眼：YouTube 联合创始人 Steve Chen、AngelList 创始人 Naval Ravikant、Google 首席科学家 Jeff Dean、GAN（Generative Adversarial Network，生成对抗网络）发明者 Ian Goodfellow，以及来自 Hugging Face、DeepMind、Stability AI、OpenAI 的多位高管。截止近期，融资数字已更新为约 3,000 万美元，团队大约 15 人，由 ACM ICPC 奖牌得主和国际奥林匹克竞赛获奖者等组成。
2025 年 12 月，Moonlake 发布了他们的核心产品 Reverie，也就是所谓的 GGE（Generative Game Engine，生成式游戏引擎）。按照公司的说法，这是第一个“可编程的世界模型”，用于实时交互内容生成。它和此前的 AI 视频生成模型有一个关键区别：状态持久性。
大部分视频生成模型（比如 Sora 之类）能产出漂亮的画面，但它们本质上是在预测“下一帧看起来应该像什么”，不维护一个真正的世界状态。如果玩家在游戏里打碎了一个花瓶，几秒钟后花瓶可能又恢复原样了。
Moonlake 的系统通过将扩散模型与结构化 3D 信号绑定，让世界中发生的变化能持续保持。Lee 在接受采访时说过，生成式世界中一直缺失的那块拼图就是“控制”，创作者需要能定义什么会变、为什么变、变化维持多久。
具体来看 Moonlake 的技术架构，它并不是一个单一模型，而是一个“编排者”（orchestrator）。用户的自然语言指令进入后，系统调用一整套专门化的第三方 AI 模型来分别处理不同任务：空间布局用多模态推理，游戏逻辑靠程序合成（program synthesis），物理交互用模拟层，视觉渲染则由实时扩散模型完成。
Fan-Yun Sun 对 Fast Company 描述说，他们的编排模型会随着时间推移学会如何融合这些模态，并逐步把外部模型的能力纳入自己体内。
Moonlake 在官方博客中给出了一个很具体的案例来展示这套系统的推理过程：一个赛博朋克风格的保龄球迷你游戏。用户只给了一句话的提示：“在街机房里创建一个赛博朋克美学、半写实风格的保龄球小游戏”，没有提供任何架构约束或实现细节。
接下来，系统的 agent 自动走完了十个阶段：先是资产实例化，生成球道、球瓶、保龄球的 3D 网格和 PBR（Physically Based Rendering，基于物理的渲染）纹理；然后是物理化，把球瓶转换为刚体，赋予摩擦系数 0.4、弹性 0.15，球瓶质量 1.5 公斤，保龄球 5 公斤；再到空间布局、核心游戏逻辑、球的生命周期管理、边界稳定、边缘情况处理、音频集成、IK（Inverse Kinematics，逆向运动学）手臂抓取系统，最后是由用户反馈驱动的细节打磨。
从这一实例也能看出，Moonlake 对“世界模型”的定义和当前 AI 圈主流话语有较大不同。过去一年里，“world model”这个词在 AI 行业被大量使用，但大多数时候指的是下一帧视频预测，即给定当前画面和用户操作，预测接下来视觉上应该是什么样。
Google DeepMind 的 Genie 3 在 2025 年 8 月发布，能以 24 帧每秒生成可导航的 3D 环境；李飞飞的 World Labs 在 2025 年 11 月推出 Marble，可以从文本、图片或视频生成可下载的 3D 世界。
Moonlake 的思路和上述这些都不太一样。在他们看来，一个世界的状态不能被简化为一帧图像或一团像素。
他们的博客文章用保龄球瓶做了个例子：一个保龄球瓶同时是空间中的一个有纹理的物体、一个有质量和惯性的刚体、一个可以被撞倒的对象、一个对比分有贡献的符号实体，以及一个撞击时的声源。当球击中瓶子的那一刻，变换矩阵更新、物理求解器解析碰撞冲量、比分递增、音频触发、重置计时器推进等，这些不是独立事件，是同一个因果事件的同步结果。如果其中任何一个模态更新而其他没跟上，世界就不连贯了。
所以 Moonlake 追求的是跨模态的因果一致性，而非单纯的视觉逼真。他们把世界模型应该同时编码的东西分成了五个维度：几何（变换、拓扑、空间关系）、物理（质量、力、碰撞约束）、可供性（affordance，即什么动作是可能的、由谁来执行）、符号逻辑（规则、分数、定时器、状态机）、感知映射（视觉投影和空间音频）。这个框架比纯视觉世界模型更全面，也更贴近传统游戏引擎实际做的事情。
就当前实际的产品体验来看，其的确可以较为迅速的制作出一个简单的游戏原型，但仍需耗费较大精力进行打磨。在 Fast Company 报道的实测中，记者初次尝试做一个 3D 地牢探险游戏时遭遇了失败，产出了一个满是胶囊形角色的单间。
之后他缩小范围，做了一个 2D 冰淇淋堆叠游戏，初版在 15 到 20 分钟内出来了。核心玩法基本到位，冰淇淋从天上掉下来的节奏恰到好处，键盘控制映射也是自动完成的，系统甚至主动加了一个冰淇淋落到蛋筒上时的弹跳动画。但厨师是个白色粗糙图形，冰淇淋不会正确堆叠。
于是他又花了好几个小时反复和 AI 沟通修复物理效果，陷入“几乎解决但没完全解决”的循环。最终他把剩余需求一股脑塞给系统，15 分钟后拿到了有计分、有 Game Over 画面的完整游戏，消耗月度 1,500 信用点中约 950 点，按 40 美元月费算不到 25 美元。速度惊人，打磨依然费力。
不过 Moonlake 真正的长期赌注不在工具层面。Lee 和 Fan-Yun Sun 反复强调的一件事是：用户每一次在平台上纠正系统的物理行为、补充游戏规则、调整因果关系，都在为 Moonlake 自己的多模态模型提供训练信号。
Fan-Yun Sun 把这和现有的世界数据采集方式做对比，例如租 Airbnb 用激光扫描房间是静态的、难以规模化的；分析视频缺少人类语境；只用单一游戏数据（比如大量《堡垒之夜》录像）训练出的模型不会泛化到真实世界。
而 Moonlake 上的用户交互天然带有意图和反馈，是因果数据。如果这个飞轮跑起来，数据规模会指数级增长，模型也会随之变强。游戏之后，他们设想的应用方向包括机器人训练、自动驾驶和制造业人因分析。Lee 称他们已经接到了制造企业的咨询。
只是目前其 beta 版每天仅放量 100 人，离“飞轮转起来”大概还有相当遥远的距离。
参考资料：
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
运营/排版：何晨龙