无需游戏引擎，视频基座模型直出实时交互可玩的Minecraft，初创公司Decart和Etched打造的Oasis已经做到了这一点。

现在，不用游戏引擎，AI就可以自动生成游戏了？

今天，两家初创公司Decart和Etched宣布，他们打造了一款世界上首个实时、可玩、可交互的世界模型——Oasis。

Oasis经过了数百万小时游戏视频的训练，仅接收用户的键盘输入即可实时生成开放世界游戏，但其中并不包含任何游戏引擎，只有一个AI基座模型。

游戏允许玩家进行移动、跳跃、拾取物品、打破砖块等操作，生成的视频内容中不仅包含图形学的渲染，也能体现出对物理原则和游戏规则的理解。

在没有任何延迟的情况下，Oasis在H100上运行时能以360p的分辨率实现每秒20帧的渲染，并实时生成视频交互内容。

此前，虽然谷歌已经发布了首个AI游戏引擎GameNGen，但并没有在发布论文后开源。

然而，此次两家初创联手研发的Oasis不仅开源了代码，还公开了500M参数版本的模型权重。

https://github.com/etched-ai/open-oasis

https://huggingface.co/Etched/oasis-500m/tree/main

此外，官网上已经放出了游戏demo，感兴趣的玩家从项目官网进入即可在网页端试玩，体会一下复刻Minecraft的画风。

项目网址：https://oasis.decart.ai/

虽然全AI生成是一大亮点，但在动辄4K HDR的的今天，360p的分辨率显得相当复古，可能对2024年的人类双眼不太友好。

幸好，如果在Etched打造的Sohu芯片上运行100B+参数的优化模型，就能达到4K级别的实时渲染，并发用户数量也将提升超过10x。

就在模型发布的今天，红杉资本也宣布以2100万美金投资Oasis背后的其中一家初创公司Decart。

虽然Oasis看起来是一个游戏，但事实上，真正的技术重点却是「视频」和「交互」。

OpenAI今年发布的Sora可以说是视频模型的「第一枪」。随着视频模型开始扩展，它们正在学习代表整个物理世界和游戏，从而赋能一个全新的产品类别。

从短视频社交媒体到视频通话，再到流媒体，目前超过70%的互联网流量来自视频；但另一方面，视频的数据密集程度相当高，AI生成视频所需的FLOPs比文本或图像多出10×。

因此，大部分人工智能推理工作负载将来自视频。无论是游戏、教育还是生成式内容，大型、低延迟、交互式的视频模型将成为下一波人工智能产品的核心。

01 Oasis是如何炼成的

之前谷歌推出的GameNGen本质上仍是一个由AI驱动的游戏引擎，但Oasis的底层机制并不是游戏引擎，而是单一的视频生成模型，相当于一个能交互、可玩的Sora。

那么，Oasis究竟是如何做到的？

根据博客介绍，技术团队进行了数百次架构和数据实验，以确定用于快速生成自回归交互式视频的最佳架构。

Oasis模型均基于Transformer架构，由基ViT的变分自动编码器（VAE）和基于DiT的潜在扩散主干组成，使用了加速过的轴向、时空和因果注意力机制来克服长序列中的模型发散（divergence）。

Oasis的ViT+DiT架构

你可以简单把它理解一个分工明确的工厂，各个组件各司其职。

VAE就像是工厂里负责整理和识别原材料（游戏里的各种信息）的车间，它基于ViT（Vision Transformer）架构，能够对看到的游戏画面的相关信息进行加工整理。

主干即工厂的核心生产线，基于DiT（Diffusion Transformer）架构，负责将加工处理好的信息产出游戏内容，比如游戏场景、物体等。

同时，利用Decart的推理引擎，结合Etched公司的Sohu（Transformer架构的ASIC）芯片，实现了实时视频生成。

这种架构选择保证了在Sohu芯片上的稳定扩展和快速推理，并且以自回归方式生成帧，能够根据游戏输入实时交互。

Sora这类模型根据用户输入的文本内容直出视频，但Oasis使用Diffusion Forcing进行训练，每次只生成一帧，根据游戏输入在token级别调节每个帧，因此可操纵性很高。

之所以能够被称为「世界模型」，是因为Oasis已经能够了解复杂的游戏机制，例如理解物体和建筑、照明的物理规律等等。

模型理解照明的物理原理

放置立方体砖块

不过，在生成游戏画面的时候，还有一个问题就是如何保证时间稳定性。因为在自回归模型中，一个画面出错了，后面可能就会越来越乱，如同多米诺骨牌一样。

解决这个问题需要长上下文生成方面的创新，Oasis的方案是部署动态噪声（dynamic noising）。

Decart团队也表示，未来将针对部分远处物体出现模糊、不确定对象的时间一致性等问题进行研究，逐步提升Oasis的游戏体验。

02 两家初创，强强联手

生成式交互体验新纪元这就来了吗？这两家初创公司又是什么来头？

据公开报道，Oasis模型是由Decart和Etched两家初创公司共同推出的。

Decart成立于2023年9月，一直致力于提高AI模型的效率和降低运行成本，提供更快、更可靠的训练以及实时推理，成立三个月后便与一家GPU云服务商达成了数百万美元的交易。

Decart联合创始人Moshe Shalev和Dean Leitersdorf

今天，红杉资本更是豪掷2100万美金对其进行了投资，合伙人Shaun Maguire更是大力称赞Decart的团队，认为他们是「超精英的AI工程师」、「合作过的技术最有天赋的团队之一」，正在将生成式体验推向极致。

目前推出的Oasis只是一个实时推理方面的热身实验，接下来的几个月，他们还将发布更具有颠覆性的成果。

另一家初创Etched是来自美国的人工智能芯片公司，成立于2022年，三位核心创始人均为哈佛辍学生。

他们最耀眼的成绩，就是推出了Sohu——世界上第一个基于Transformer架构的ASIC芯片，专为LLM推理加速打造，不仅快过Groq，也能碾压英伟达最新的B200。

以Llama 70B模型的推理性能为例，1张Sohu≈20张H100≈10张B200。

令人咂舌的性能背后，是Etched的一场豪赌般的权衡。

打造针对特定算法的AI芯片，将模型架构直接烧录到芯片的硬件结构中，这意味着无法运行其他模型，比如CNN、RNN或LSTM，但对Transformer来说，就能得到有史以来最快的芯片。

2022年，创始团队大胆预言——Transformer将占领世界，于是投入花了两年时间研发，得到了今天的Sohu。

Etched创始人之一Gavin Uberti表示，「我们正在押注人工智能领域最大的赌注——一种只能运行Transformer模型的芯片，但其运行速度比GPU快几个数量级。也许注意力确实是你所需要的全部...」

能高效推理的AI芯片，对于极耗算力的视频生成而言，可以说是类似于Scaling Law的福音。

虽然文生视频模型已经达到了很好的生成效果，但速度非常慢，成本也很高。

视频中的每个帧包含数百甚至数千个token，必须并行处理多次才能完全去噪。最好的模型平均每秒生成不到一帧，而且每个用户每分钟的费用可能高达1美元。

这种低效高成本的推理，不得不说是视频生成模型用于实际应用的一大障碍，而这正是Sohu芯片期望解决的问题。

今年6月，Etched宣布已经筹集了1.2亿美元的资金用于扩大生产，并与台积电合作，以35人的精干团队直接放话挑战市值3万亿的英伟达。