如果把近两年公开的生成式游戏演示按时间排一排，会看到一条很清楚的线。最早引起关注的是图片和概念场景：输入一句话，得到一张“雪山赛道”或“夜晚街头篮球场”的图。随后是可以走进去的场景：模型根据一张图或一段文字，实时生成用户前方的画面。再往后，出现了带有“功能”的生成物：生成出来的车不只是一个车形模型，而是可以坐进去开走。这条线对体育游戏创作者很重要，因为体育游戏真正需要的东西，恰好在这条线的更远处：一张能跑完的地图，一套能执行的规则，一场能分出胜负的比赛。

从“看得见”到“走得进去”：世界模型的公开进展

Google DeepMind在2024年12月公开介绍了Genie 2，描述为一个大规模的基础世界模型，可以从单张图片提示生成可交互的3D环境，并展示了其生成环境被用作智能体训练与评测场景的例子。2025年8月，DeepMind又公开了Genie 3，官方介绍它可以根据文字描述生成可实时导航的动态世界，以每秒24帧、720p分辨率运行，并在几分钟内保持大体一致；它还支持所谓“可提示的世界事件”，比如在探索过程中改变天气或加入新的物体。2026年初，Google以Project Genie的形式向美国部分高级订阅用户开放了相关体验。

更早一些，Google研究人员在2024年发表的GameNGen工作，展示了用扩散模型在单个TPU上以约每秒20帧的速度实时模拟经典游戏DOOM；微软研究院与Ninja Theory合作、发表在《自然》上的WHAM（World and Human Action Model）研究，则基于一款多人对战游戏的数据训练，能生成连贯的游戏画面和对应的手柄操作序列。这些工作的共同点是：模型不再只输出一张图，而是在输入动作之后持续输出“下一刻会发生什么”。

世界模型能走进去，但体育比赛需要的不只是能走

值得注意的是DeepMind在介绍Genie 3时主动列出的限制：智能体能直接执行的动作范围有限；多个独立智能体之间的复杂交互仍是研究难题；目前支持的连续交互时长是几分钟而不是几小时。对探索类体验来说，这些限制也许可以接受；但对体育游戏来说，它们几乎正好落在核心需求上。

一场5对5的篮球比赛，场上有10个独立行动的角色，还有一个球，谁持球、谁犯规、球是否进框，每一项都要被精确判定。比分必须前后一致，24秒进攻时限必须准时触发，一节比赛的时长往往就超过几分钟。一个通过预测下一帧画面来“模拟”比赛的模型，很难保证第38分钟的比分和第2分钟的进球记录对得上。体育游戏需要的是确定性：同样的输入，规则判定必须得到同样的结果，否则比赛就不公平。

从“长得像车”到“能开的车”：结构约束重新回来

另一条值得关注的公开进展来自平台侧。Roblox在2025年3月介绍了其3D生成基础模型Cube，2026年2月又宣布了以Cube为基础的“4D生成”功能，以测试版形式提供给创作者。按照Roblox的官方说明，这一功能使用被称为schema的规则集，把一个物体拆成若干部件，再为部件附加行为；首批schema之一是由五个部件组成的汽车类型，生成的车可以被玩家驾驶，相应脚本会按生成物体的实际尺寸进行适配。

学术界在关卡生成上也有类似思路。2023年的MarioGPT研究用微调后的语言模型根据文字提示生成《超级马力欧兄弟》风格的平台关卡；同年发表在FDG会议上的一项研究让语言模型生成推箱子（Sokoban）关卡，并以关卡是否可解作为重要评估指标。这些工作的共同点是，生成结果最终要接受“能不能玩”的检验，而不是只看像不像。

这对体育游戏生成是一个清晰的信号：让生成物“能用”，靠的不是模型更会画，而是明确的结构约束。一辆能开的车需要轮子、车身和可以被脚本驱动的部件；一张能比赛的赛道同样需要起点、检查点、宽度、坡度和终点，而且这些部件之间的关系必须成立。

对体育地图生成意味着什么

把这些进展放在一起看，体育地图生成的重点会更明确地从视觉转向可玩性结构。具体来说，至少有三个变化：

  • 地图要先有“骨架”再有“皮肤”：路线、宽度、坡度、障碍、速度区间、难度和终点先确定并通过检查，视觉风格再覆盖上去。世界模型生成的画面可以用来做氛围参考，但不适合作为比赛判定的依据。
  • 不同运动需要不同的“schema”：赛车地图的关键部件是弯道、超车区和刹车区，高尔夫球洞需要Tee、Fairway、Rough、Bunker和Green的合理排布，滑雪道要关注坡度与转弯空间。一套通用的“场景生成”无法覆盖这些差异。
  • 生成之后必须能被测试：结构化的地图可以交给寻路和模拟Agent跑一遍，检查能否完成比赛；纯画面则很难自动验证。

乐鱼体育在AI体育地图生成上的思路也在这条线上：一张地图生成后先经过可达性、宽度和坡度检查，再进入视觉细化，而不是反过来。

规则系统是下一段真正的难点

比地图更难的是规则。地图至少是空间问题，有几何和物理可以依靠；规则则是逻辑问题，一条规则写错，整个比赛可能无法结束。公开的演示里，生成“一个可以开的车”已经可以做到，但生成“一套三局两胜、每局先到21分且需领先2分、平局时加赛的计分系统”，并保证它和计时器、换边、暂停这些机制不冲突，目前很少有公开展示把它作为重点。

以一个模拟示例来说明：用户在乐鱼体育里输入“做一个羽毛球小游戏，每局10分钟，先到21分赢”，系统需要发现“限时”和“目标分”是两个都可能先触发的结束条件，并提示用户选择以哪个为准，而不是生成一个在第10分钟时比分18:17、却不知道该不该结束的比赛。这类问题更接近规则冲突检测，需要的是可执行、可验证的规则表示，而不是更逼真的画面。

仍未解决的问题

  • 多人对抗的一致性：团队运动涉及多个独立角色的持续交互，这正是世界模型公开承认的难点。
  • 长时间比赛的状态保持：一场完整比赛的比分、犯规次数、体能等状态需要从头到尾一致。
  • 规则的可验证性：生成的规则能否被自动证明“一定会结束”“不会互相矛盾”，目前仍主要依赖专门的规则引擎和测试，而不是生成模型本身。
  • 用户修改后的局部重算：用户改一个弯道或一条规则时，如何只重新生成受影响的部分，而不是整张图重来。

参考与说明

文中关于世界模型、神经网络游戏引擎、4D生成和语言模型关卡生成的信息来自相关公司与研究团队的公开资料，乐鱼体育相关的比赛设置与数值均为模拟示例。