Google 推出 GameNGen：靠擴散模型即時模擬執行《Doom》

極客圈一直有個老梗，叫做「萬物皆可跑 Doom」。從電子驗孕棒、智慧手錶到割草機，只要帶螢幕和晶片的裝置，遲早會被人拿來裝上這款 1993 年的經典射擊遊戲。

但這回 Google 和以色列特拉維夫大學的研究人員換了一種玩法。他們不僅沒用傳統遊戲引擎，甚至一行遊戲邏輯程式碼都沒寫，直接讓 AI 憑空把遊戲「腦補」了出來。

這個名為 GameNGen 的神經系統，能以單張 TPU 晶片跑出超過每秒 20 幀的速度，即時模擬出可玩的《毀滅戰士》。

不寫一行規則，全靠畫素預測

傳統遊戲要靠遊戲引擎來計算物理法則、碰撞判定和怪物狀態，最後渲染成圖形。GameNGen 完全顛覆了這個邏輯，把遊戲變成了一個畫面預測任務。

它的核心基於魔改版的 Stable Diffusion 1.4 擴散模型。研究人員把開發過程拆成了兩階段。

他們先用強化學習訓練了一個 AI 智慧體去玩 Doom，把大量遊戲操作和螢幕畫面錄製下來，作為自動生成的資料集。

接著，他們用這批資料訓練擴散模型。當真人玩家按下鍵盤指令時，模型結合歷史幀和輸入，即時猜出下一幀畫面應該長什麼樣。

效果足以以假亂真。研究團隊找了 10 位人類評測員進行盲測，讓他們看 1.6 秒和 3.2 秒的短影片。

結果人類區分真假遊戲畫面的準確率只有 58% 到 60%，幾乎跟擲硬幣猜正反面差不多。

Stability AI 的研究總監 Tanishq Mathew Abraham 評價說，事實證明擴散模型也能跑 Doom。應用開發者 Nick Dobos 則感嘆，既然 AI 能替你構思好每一個畫素，何必還要手寫複雜的軟體規則。

記憶只有三秒，畫面還在防崩潰邊緣

用擴散模型做遊戲，最大痛點在於累積誤差。前一幀只要出現微小瑕疵，幾輪自迴歸推算之後，整個虛擬世界就會迅速崩壞失真。

為了解決這個問題，研究團隊在訓練資料裡故意加入了不同強度的隨機噪聲，教會模型如何自動糾錯，從而維持了較長時間的畫面穩定。

但侷限依然很明顯。Stable Diffusion 1.4 的自動編碼器把 8×8 畫素塊壓縮成了 4 個潛通道，導致畫面細節會出現偽影，螢幕底部的 HUD 狀態列尤其容易發糊。

更要命的是記憶力。GameNGen 只能記住過去 3 秒的畫面歷史。如果玩家折返回剛才走過的房間，模型根本不知道過去的準確狀態，只能靠機率腦補。

這類神經渲染探索其實早有脈絡。從 2018 年的 World Models、2020 年的 GameGAN，到年初 Google 的 Genie 和能模擬雅達利遊戲的 DIAMOND，業界一直在摸索世界模型。Nvidia 執行長黃仁勳在今年 3 月就曾大膽預言，5 到 10 年內大部分遊戲畫面都將由 AI 即時生成。

為什麼重要

我們認為，GameNGen 的核心價值不在於讓大家重溫一款三十年前的老遊戲，而在於它提供了一個極其激進的技術概念驗證。

對開發者和玩家來說，它現在完全不適合拿來做商業開發，也不值得你特意找來玩。單張 TPU 跑一個 1993 年的老遊戲只能勉強維持在 20 幀，算力成本高昂，且模型只能模仿已有資料，毫無原創遊戲玩法可言。

但它的思路非常聰明。研究團隊用加噪訓練解決了自迴歸畫面的雪崩效應，把原本只能生成靜態圖或預渲染影片的擴散模型，硬生生拽進了互動式即時的門檻。

它的隱患在於邏輯一致性的缺失。遊戲不僅是連貫的畫面，更是嚴密的數值、背包狀態和世界邏輯。缺少真正的符號記憶，單靠機率預測遲早會在複雜規則前穿幫。

對行業而言，它敲開了一扇通往全新範式的大門。正如論文作者所說，今天遊戲是由人類寫成的程式碼，而未來遊戲可能只是神經網路的一串模型權重。也許在不久的將來，人們不再需要掌握複雜的遊戲引擎，給幾張參考圖或一段文字描述，AI 就能為你即時算出一個能夠走進去的世界。