Meta 釋出多智慧體世界模型 Overseer：給虛擬世界裝監控，讓多個 AI 視角一致

如果兩個人聯機打遊戲，你眼睜睜看著隊友掉進了岩漿，隊友螢幕裡卻還是一片平地，這遊戲肯定沒法玩了。

這恰恰是之前影片世界模型的死穴。以前的模型基本只能為單個角色生成畫面，一旦讓多個 AI 進到同一個環境裡，大家各自的第一人稱視角很容易自說自話，瞬間穿幫。

Meta 團隊釋出了多智慧體世界模型 Overseer。它解決的核心問題，就是讓多個 AI 在同一個虛擬世界裡互動時，不同視角看到的畫面始終保持同步和一致。

給虛擬世界裝上「監控攝像頭」

AI 第一人稱視角的難點在於晃動太大。智慧體稍微轉個頭或者走兩步，整個視野就徹底換了一套畫素，模型根本分不清到底是周圍的世界變了，還是隻有鏡頭變了。

Meta 想了個很有意思的解法：除了給每個智慧體生成主觀視角，還在空間裡放幾個固定機位。

你可以把這些輔助機位想像成散佈在虛擬世界各處的監控攝像頭。因為機位在空間裡是絕對不動的，畫面一變，就代表真實環境裡確實發生了動作。

這些固定機位成了連線所有 AI 的空間錨點。靠著這套參照系，模型不僅能死死盯住每個玩家的位置，還讓不同視角的畫面徹底對齊，誰在哪、幹了什麼都一清二楚。

靠 delta-VAE 把計算成本打下來

多生成幾個視角的畫面，聽起來算力開銷要成倍暴漲。但 Meta 在工程上耍了個聰明的花招。

監控畫面大多是半靜止的，大半塊背景其實不會動。研究團隊專門設計了一個叫 delta-VAE 的變分自編碼器，它不去老老實實編碼整張圖，而是隻計算每一幀相對於靜態參考圖的變化量。

這麼一來，輔助機位佔用的 token 數量被大幅壓縮，模型既拿到了全域性的穩定參照，又沒有被恐怖的計算量拖垮。

在演示中，Overseer 已經搞定了《我的世界》（Minecraft）和經典射擊遊戲《毀滅戰士》（Doom）的多人對局，甚至連真實世界的多機位影片也能穩穩同步。不過目前 Meta 還沒開源模型權重，只公開了相關資料集和技術報告。

為什麼重要

以往做生成式世界模型，大家都在卷單人畫質和時長，但真實的虛擬現實、遊戲聯機以及機器人模擬，從來都不是單機遊戲。

我們認為 Overseer 邁出的這一步非常聰明。它沒有死磕極其複雜的三維物理引擎重建，而是藉助幾個廉價的靜態視角和增量壓縮，用相對輕量的方式給純神經世界模型搭了個可靠的全域性座標系。

對於遊戲開發者和具身智慧團隊來說，多機位資料合成一直是個大難題。雖然眼下模型還沒開放下載，但 Meta 公開的資料集和這套「監控視角」架構，已經給多智慧體模擬指了一條可行的路。

當然隱患也不是沒有。如果換成極其龐大、充滿遮擋物的複雜場景，死角里的監控覆蓋不到，視角一致性還能維持多久，目前依然要打個問號。但無論如何，純 AI 生成的多人互動世界，已經不再是空中樓閣了。