一个能实时生成画面的世界模型，玩家按下前进键，眼前的森林继续向前展开，风景漂亮得令人惊讶。但玩家转身，再转回来，那棵刚刚被自己砍倒的树又站在原地；他打开背包，发现刚刚拾取的道具不见了。画面依然漂亮，游戏却已经不成立。生成式游戏模型越强，这类问题越突出：模型“能生成”，不等于“能被控制”。
控制的四个层次
在游戏里，“控制”不是一个开关，而是至少四层：玩家意图（Player Intent）——玩家想做什么，如何从按键、语音和视线里读出来；游戏规则（Game Rules）——哪些事情允许发生，物品守恒、生命上限、任务前置条件；约束（Constraint）——运行时的边界，比如内容分级、性能预算、地图尺寸；一致性（Consistency）——前后画面、状态、因果的相互吻合。世界模型如果只优化画面质量，就等于只服务第一层的“看起来对”，而没有回答后三层。
三条路线各解决什么
Matrix-Game 3.0（Skywork，2026 年 3 月）是带记忆的交互式世界模型，720p、约 40fps 实时流式生成，并可在分钟级序列中保持场景一致。它的价值在于把“记忆”和“一致性”直接放进模型，让镜头转走再转回来时场景仍然合理。它面对的问题是，模型内部的记忆是隐式的，规则、数值、任务这些离散状态仍需要外部系统兜底。
Oasis 是可玩的 AI 生成《我的世界》风格游戏，2026 年 7 月开放权重与代码。它证明了逐帧由模型生成、玩家实时操作的游戏是可行的，也让研究者可以直接检验其局限：物品栏、方块放置这类精确状态，模型只能以概率方式维持。
第三条路线是让 AI 写出“带种子的确定性生成器”，运行时不需要模型在环。AI 负责写代码、调参数、生成规则与素材，游戏运行时用确定性算法生成地图或关卡，速度快，而且可复现：同一个种子永远得到同一张地图，出了问题可以定位、修复。代价是运行时不具备“即兴创作”的能力，内容的丰富度受限于生成器的表达能力。
为什么“可控”会成为分水岭
选择路线时，可以把游戏类型放进来比较：对精确规则依赖很强的游戏，如卡牌、模拟经营、有严格数值成长的 RPG，确定性生成器加规则校验更稳；对重体验、弱规则的实验性玩法，实时世界模型的即兴感是独特价值；介于两者之间的沙盒类，常见做法是混合，用世界模型负责表现层，用显式状态机负责物品、任务和因果。假设一个玩家在一小时内放置了三百个方块，纯概率式的模型只要错记十个，玩家就会感到世界在“漂移”；显式状态层则可以把这三百个方块当作事实，模型只负责渲染。
把玩家意图接进去
可控生成还有一个常被忽略的环节：玩家意图的输入。玩家说“给我一条更险的路”，系统需要把它翻译为对生成器的约束：坡度上限提高，补给点间距拉大，同时仍满足“终点可达”。这是把自然语言变成约束，而不是把它直接变成画面。这部分理解能力，与多模态理解和地图合理性验证互为支撑；从更大的框架来看，也是AI-native 游戏要求中的“可控生成”和“被验证的状态转移”。
选路线时的检查项
金沙娱乐AI在游戏世界模型与生成式游戏模型方向的思路，是先问“这个游戏能容忍多大的不确定性”，再决定模型放在运行时哪一层。可以用一份简短的问题清单自查：同一个动作重复十次，结果是否一致；玩家离开又回来，世界是否保持；出现错误，能否定位到规则、种子或模型的哪一环；性能预算是否允许模型每帧在环；内容不当时能否在运行时拦截。这五个问题里，前两个决定“可玩”，后三个决定“可运营”。世界模型继续变强是确定的趋势，但对游戏来说，让它听话，永远比让它好看更难，也更值钱。
