Google 推出 GameNGen：靠扩散模型实时模拟运行《Doom》

极客圈一直有个老梗，叫做「万物皆可跑 Doom」。从电子验孕棒、智能手表到割草机，只要带屏幕和芯片的设备，迟早会被人拿来装上这款 1993 年的经典射击游戏。

但这回 Google 和以色列特拉维夫大学的研究人员换了一种玩法。他们不仅没用传统游戏引擎，甚至一行游戏逻辑代码都没写，直接让 AI 凭空把游戏「脑补」了出来。

这个名为 GameNGen 的神经系统，能以单张 TPU 芯片跑出超过每秒 20 帧的速度，实时模拟出可玩的《毁灭战士》。

不写一行规则，全靠像素预测

传统游戏要靠游戏引擎来计算物理法则、碰撞判定和怪物状态，最后渲染成图形。GameNGen 完全颠覆了这个逻辑，把游戏变成了一个画面预测任务。

它的核心基于魔改版的 Stable Diffusion 1.4 扩散模型。研究人员把开发过程拆成了两阶段。

他们先用强化学习训练了一个 AI 智能体去玩 Doom，把大量游戏操作和屏幕画面录制下来，作为自动生成的数据集。

接着，他们用这批数据训练扩散模型。当真人玩家按下键盘指令时，模型结合历史帧和输入，实时猜出下一帧画面应该长什么样。

效果足以以假乱真。研究团队找了 10 位人类评测员进行盲测，让他们看 1.6 秒和 3.2 秒的短视频。

结果人类区分真假游戏画面的准确率只有 58% 到 60%，几乎跟掷硬币猜正反面差不多。

Stability AI 的研究总监 Tanishq Mathew Abraham 评价说，事实证明扩散模型也能跑 Doom。应用开发者 Nick Dobos 则感叹，既然 AI 能替你构思好每一个像素，何必还要手写复杂的软件规则。

记忆只有三秒，画面还在防崩溃边缘

用扩散模型做游戏，最大痛点在于累积误差。前一帧只要出现微小瑕疵，几轮自回归推算之后，整个虚拟世界就会迅速崩坏失真。

为了解决这个问题，研究团队在训练数据里故意加入了不同强度的随机噪声，教会模型如何自动纠错，从而维持了较长时间的画面稳定。

但局限依然很明显。Stable Diffusion 1.4 的自动编码器把 8×8 像素块压缩成了 4 个潜通道，导致画面细节会出现伪影，屏幕底部的 HUD 状态栏尤其容易发糊。

更要命的是记忆力。GameNGen 只能记住过去 3 秒的画面历史。如果玩家折返回刚才走过的房间，模型根本不知道过去的准确状态，只能靠概率脑补。

这类神经渲染探索其实早有脉络。从 2018 年的 World Models、2020 年的 GameGAN，到年初 Google 的 Genie 和能模拟雅达利游戏的 DIAMOND，业界一直在摸索世界模型。Nvidia 首席执行官黄仁勋在今年 3 月就曾大胆预言，5 到 10 年内大部分游戏画面都将由 AI 实时生成。

为什么重要

我们认为，GameNGen 的核心价值不在于让大家重温一款三十年前的老游戏，而在于它提供了一个极其激进的技术概念验证。

对开发者和玩家来说，它现在完全不适合拿来做商业开发，也不值得你特意找来玩。单张 TPU 跑一个 1993 年的老游戏只能勉强维持在 20 帧，算力成本高昂，且模型只能模仿已有数据，毫无原创游戏玩法可言。

但它的思路非常聪明。研究团队用加噪训练解决了自回归画面的雪崩效应，把原本只能生成静态图或预渲染视频的扩散模型，硬生生拽进了交互式实时的门槛。

它的隐患在于逻辑一致性的缺失。游戏不仅是连贯的画面，更是严密的数值、背包状态和世界逻辑。缺少真正的符号记忆，单靠概率预测迟早会在复杂规则前穿帮。

对行业而言，它敲开了一扇通往全新范式的大门。正如论文作者所说，今天游戏是由人类写成的代码，而未来游戏可能只是神经网络的一串模型权重。也许在不久的将来，人们不再需要掌握复杂的游戏引擎，给几张参考图或一段文字描述，AI 就能为你实时算出一个能够走进去的世界。