世界模型第一次有了“存档”？VAST 想用 Project Eden 重写生成式世界的底层逻辑

过去一年，世界模型成了 AI 圈最热的词之一。

很多团队都在说，模型已经不只是会生成视频，而是在朝“生成世界”迈进：一句话可以换来一段连续画面，一个动作或镜头也能触发人物、场景和物体的连贯变化。问题在于，今天大多数被冠以世界模型之名的方案，本质上仍然更像“会动的视频”，而不是真正可以持续存在、被改变、被多人进入的世界。

VAST 最新发布的 Project Eden，想解决的正是这个根问题。它没有继续沿着“下一帧预测”往前卷，而是试图把世界状态推演和视觉呈现原生解耦，让模型先维护一个持续演化的底层世界，再根据视角、动作和交互需求把它渲染成画面。

主流世界模型，为什么更像“视频”而不是“世界”

要理解 Project Eden，先要看清行业里两条主流路径。

第一类是动作条件视频生成。它根据文本、图像、动作指令或相机轨迹生成一段连续视频，优势是演示直观、交互感强，也最容易让用户产生“世界在响应我”的感觉。但问题也很明显：模型预测的仍然是 2D 像素轨迹，世界里到底有什么、物体在哪里、状态怎么变化，往往都被隐式压缩在最近几帧画面中。一旦物体离开视野，模型并没有一个独立的世界状态去保存它，镜头转回时只能根据上下文重新“幻想”。

第二类是静态 3D 场景生成。相比视频生成，它确实更接近“空间”本身，但如果只有静态空间，没有时间维度、物理逻辑和状态转移机制，它依然很难被称为真正的世界模型。一个真正有用的世界，不只是能被看见，还应该能被改变、持续运行，并支持多个用户或多个智能体同时进入。

VAST 的判断很直接：一套合格的世界模型，至少要同时解决两个问题——世界当下的客观状态是什么，以及这个状态如何随着动作、时间和交互持续演化。只有同时具备这两点，世界模型才可能从“生成内容”走向“生成环境”。

Project Eden 真正的新意：先有世界，再有画面

Project Eden 最关键的架构选择，是把“世界本身”和“世界看起来的样子”拆开。

它的第一层是结构化状态层，负责维护一个跨时间持续存在、可被动作更新、可被任意相机位置查询的全局世界状态。这不是一个昂贵的 4D 点云，而是一种更紧凑、兼顾效率和语义丰富度的隐式表征，用来回答“世界里有什么、发生了什么”。

第二层是条件接口层，把底层的全局世界状态转换成适合特定视角使用的局部条件，包括语义信息、几何线索和事件变化。不同玩家看到的不是彼此独立的视频历史，而是同一个世界在不同位置上的不同窗口。

第三层是生成式渲染层。它不再承担完整的世界逻辑推演任务，而是在底层状态与中间条件的约束下，补全纹理、光照、材质和高频动态细节，生成最终画面。这样一来，模型解决问题的方式就从“预测下一帧”改写成了“先推演下一刻的世界状态，再从这个状态渲染当前画面”。前者更像视频续写，后者才更接近世界模拟。

这套架构，直接换来了三种系统级能力

最直观的一项，是环境长程持久化。

在 Project Eden 里，物体离开视野，并不意味着它从世界里消失。它依然存在于底层状态中，并继续按照世界逻辑运转。当用户转身离开再回来时，系统查询的还是同一个世界状态，而不是根据历史视频帧重新拼接一个相似画面。世界第一次有了接近“存档”的感觉。

第二项能力，是场景自由复用与确定性控制。传统视频生成是一条一次性的时间线：生成过了就固定了，难以回退，也难以分支。但在解耦架构里，底层状态是可以被读写和干预的。用户造成的破坏、建造与修改，可以被真实写入世界；后续进入同一场景的其他用户，也会看到一致的结果。内容形态因此从一次性视频，变成了可编辑、可复用、可持续运营的互动空间。

第三项能力，是原生多人和多智能体并发。传统视频世界模型最怕的就是多人同时在线，因为每个玩家都有自己的视角、动作和上下文，一旦每一路都依赖独立的视频历史来生成，算力和一致性就会迅速失控。而在 Project Eden 里，底层状态只有一份，被所有智能体共享；渲染层只需根据各自位置和视角生成画面。这不只是性能优化，更是商业落地的前提。

难点不只在架构，更在数据

Project Eden 背后的数据策略，同样是这套方案能否成立的关键。

VAST 提出了一套分层数据思路，核心是“双态对齐数据”：既包含底层推演态，也包含视觉渲染态。围绕这个目标，他们在数据端部署了两层策略。

L1 是海量互联网视频自标注。VAST 依托自身 3D 基础模型能力，对无标注 2D 视频做反向解构，提取深度、相机位姿和几何轨迹，把单态视频尽量提炼为双态数据。这一层的价值在于覆盖广度和真实世界泛化。

L2 是引擎合成数据。游戏引擎天然具备世界状态和渲染结果同步存在的特点，可以低成本批量生成带有精确 3D 状态标注、动作指令和环境变化的数据。这一层的价值在于逻辑精度与可控性。

这种“互联网数据泛化 + 引擎数据精准化”的组合，说明 VAST 想做的并不是一个只靠 demo 出圈的视频模型，而是一套更接近底层系统的世界生成方案。

Project Eden 更大的想象空间，不只是生成内容

如果只把 Project Eden 看成一个更强的 3D 生成工具，其实低估了它。

它更大的意义，在于有机会成为下一代互动内容的底层基础设施。过去一个可玩、可交互、可多人进入的世界，通常需要美术、建模、动画、关卡、物理引擎和网络同步等复杂流程来搭建。生成式 AI 已经把 3D 资产生产的门槛压低了很多，但“生成一个模型”和“生成一个能持续运行的世界”之间，仍然隔着很大一段距离。Project Eden 想补的，就是这段距离。

从更长远的角度看，它的潜力也不止于内容生产。因为它维护的是稳定的底层世界状态，而不是一次性视频画面，这让它天然适合作为智能体活动的环境底座。对智能体来说，关键从来不只是看到逼真的画面，而是环境能否按一致规则响应动作、保留变化并持续演化。

所以，Project Eden 的价值不只是把 3D 生成推进到交互内容阶段，更在于为世界规则学习、仿真模拟、具身智能和多智能体协同提供一个可以被反复进入、持续实验的环境。

结尾

如果只看表面，Project Eden 像是在做一个更强的 3D 世界生成模型。但更值得关注的，是它把世界模型的问题重新写了一遍：不是继续预测画面，而是先维护世界本身。

一旦这条路线成立，世界模型就不再只是“把视频做得更真”，而是第一次真正有机会从内容生成走向环境生成。从这个意义上说，Project Eden 最值得关注的地方，不是它又做出了一个惊艳 demo，而是它让世界模型第一次更像“世界”，而不只是“视频”。