![]()
20 岁的开发者 Thijs Simonian 在 X 上发了一段视频,他声称,自己在《我的世界》(Minecraft)里以 1:1 重建了整个地球,包括你家的房子。
![]()
![]()
![]()
他把地图数据交给一套由 AI Agent 参与开发的生成系统,让玩家只需输入现实地址,就能走进一个由方块组成的熟悉世界。
![]()
进入体验的玩家迅速涌向社交平台,分享自己输入家庭住址后看到的截图,确认街道轮廓,指认建筑形状,或者拍下某个细节与记忆中真实位置意外接近的截图。
![]()
体验传送:worldcraft.gg
输入一个地址,就能在《我的世界》里找到自己的家
Thijs 最初的目标只是把旧金山复刻进《我的世界》。
他把这座城市转换成一份约 6 GB 的《我的世界》地图文件,玩家下载后便能在本地探索。道路、建筑、地形都按照现实中的位置排列,站在街道上向远处看,原本熟悉的城市变成了由方块拼接而成的景观。
![]()
效果出来后,他决定把同一套生成流程扩展到全球。
这套系统的生成过程大致分为三步。高程数据用来确定山坡、河谷和平原的起伏。接着,系统读取以 OpenStreetMap 为主的开放地图数据,确定道路的位置、走向以及建筑的平面轮廓。
有了地形和轮廓,城市已经初具形状,但此时的建筑仍然比较粗糙。然后,AI 参考三维航拍影像,为建筑补充屋顶造型、颜色和部分局部结构,再将它们转换成《我的世界》能够使用的方块。
在数据足够完整的地方,玩家可能认出一栋建筑的外形,甚至能凭借街道和房屋的相对位置判断自己身处何处。
Thijs 还为建筑增加了室内空间。走进部分房屋,可以看到床、桌椅和其他家具,只不过这是根据一栋住宅的外形,生成看起来合理的内部空间。
![]()
![]()
这颗方块地球并没有被提前完整建好,Thijs 估算,如果将全球地图全部预先生成,最终文件可能需要约 2 PB 的存储空间,相当于大约 2000 TB。光是存储和传输,就足以成为一个棘手的问题。
他的解决方式是按需生成。玩家打开《我的世界》Java 版 26.2,在多人游戏中连接服务器 worldcraft.gg,进入后输入「/go」加上真实地址,系统便会根据对应区域的数据生成地图,再把玩家传送过去。
项目上线时优先开放美国区域,随后 Thijs 宣布恢复了全球访问。不过,部分国家和地区仍可能出现地图缺失、生成失败或建筑过度简化的情况。
这种方式很快吸引了一批想回去看看的人。据 Dexerto 报道,有人发现,自己曾经住过的活动板房社区,被系统生成成了一排三层住宅。建筑的位置似乎还在,模样却有些陌生。另一些玩家进入熟悉的社区后,发现只有附近一小片区域成功加载,再往前走便是空白。
![]()
服务器也承受了远超预期的访问量。Thijs 表示,最初的基础设施只按约 100 人同时使用设计,却有数万人尝试进入。服务器一度频繁崩溃,截至今日,官网仍提示服务器需求过高,正在重写相关系统,并限制在线人数。
但从这些玩家的反应中,已经能看出 WorldCraft 的吸引力。
250 个 AI Agent,反复修改一套人类难以读懂的算法
如何开发这套生成算法的呢?
Thijs 将其称为「Program Learning」,即程序学习。
他解释,这并非传统意义上端到端训练的深度学习模型。如果使用一个大型生成模型直接把三维地图转换成《我的世界》场景,模型需要学习地形、建筑、材质和空间之间的对应关系。面对全球规模的地图数据,每次生成所需的计算资源都可能十分可观。
他准备了来自世界不同地区的大量地点数据,让超过 250 个 AI Agent 参与同一套转换算法的开发和调优。
![]()
这些 Agent 的工作并非同时为地球上的每栋房子绘制模型。
有的 Agent 负责观察某个地点的生成结果,寻找与参考数据之间的差异;有的尝试修改脚本和规则,让建筑轮廓、屋顶结构或其他细节更接近目标;还有一部分充当 grader,专门负责评审修改后的效果。如果某次修改取得了更好的结果,它就可能被保留,成为后续继续优化的基础。
Thijs 用「hillclimb」描述这一过程,也就是沿着评估结果不断寻找更优解的爬山式优化。
一个 Agent 修改了某些规则,另一个 Agent 检查结果,接着再有人针对其他地点暴露的问题继续调整。大量来自不同城市、建筑和地形的数据,成为整个系统反复试错的依据。
最后一套混合了小型蒸馏分类模型和规则算法的复杂程序里,小型分类模型可以承担某些局部判断,规则系统则负责把这些判断转化为具体的方块排列和结构。相比每次都调用一个大型生成模型重建场景,这种方式更适合需要频繁、大规模运行的地图生成任务。
在后续采访片段中,Thijs 透露,他曾使用 Astra,后来又使用 Claude,让 Agent 针对训练和测试地点不断调整转换脚本。
![]()
不过,当规则越来越多,另一个问题也出现了。
Thijs 说,这套算法复杂到一定程度后,Agent 编写的规则对人类而言已经几乎不可理解。
他把这种方式与早期的符号主义 AI 联系起来。在深度学习成为主流之前,研究人员曾尝试通过人工编写规则和知识表示,让计算机完成复杂的判断。但规则系统很难覆盖现实世界中所有情况,维护和扩展也十分困难。
今天的不同之处在于,人类不再是编写规则的唯一瓶颈。Agent 可以不断编写、修改和评估规则,让原本难以由人工维护的复杂系统继续增长。
方块里的街道,与我们重新看见的日常
WorldCraft 上线后,玩家最常做的一件事,是寻找与自己有关的地方。
如前所述,现实地理数据提供位置和尺度,AI 则根据能够获得的信息补充形状、颜色与室内空间。数据足够充分时,结果可能相当可信;数据缺失时,系统便只能简化、推断,甚至无法继续生成。
这有些粗糙的现实映射,让人想起另一个持续多年的《我的世界》项目,Build the Earth。
2020 年,YouTuber PippenFTS 发起了这项计划,希望集合全球玩家的力量,以 1:1 比例在《我的世界》中重建地球。
Build the Earth 的主要建筑由志愿者亲手完成,有人先从自己家开始,有人负责学校和街区,还有大型团队长期重建纽约等城市。
建造者可以根据真实照片反复调整建筑比例、窗户位置和外墙装饰。那些已经完成的区域,往往有着算法难以照顾到的细节。例如纽约项目的部分街区,志愿者甚至会在建筑阳台上摆放花盆。
根据 Build the Earth 官网的数据,目前参与项目的注册建造者已经超过 1.77 万人,完成了约 107 万栋建筑,覆盖面积超过 1110 平方公里。它也获得了吉尼斯世界纪录对《我的世界》最大建造项目的认证。
![]()
但与整颗地球相比,这些数字仍然很小。
吉尼斯世界纪录在今年 10 月的报道中提到,Build the Earth 已完成的面积远不到地球表面的 1%。项目成员 Gideon Bergheim 估计,整个工程可能还需要大约 100 年。而且,现实世界里的建筑每天都在变化。今天建好的一条街道,几年之后可能又有新的模样。
当然,在那些已经由玩家亲手完成的区域,Build the Earth 拥有更多细节与创造力。
![]()
图源:Build the Earth
只是,世界上绝大多数地方并没有这么幸运。著名地标、历史建筑和大型城市容易吸引建造者,普通住宅、小城镇和偏远地区则可能长期无人问津。
Thijs 曾提到,自己和朋友的家,以及他们生活的社区和小镇,都没有出现在 Build the Earth 的已完成区域中。 WorldCraft 想在数据允许的情况下,把一座没什么人听说过的小镇转换成可供玩家探索的空间。
而对玩家来说,选择哪一种方式,有时只是取决于自己想去什么地方。
我们正在招募伙伴
简历投递邮箱 hr@ifanr.com
✉️ 邮件标题 「姓名+岗位名称」(请随简历附上项目/作品或相关链接)
![]()
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.