知识卡片：从像素到状态：重新思考交互世界模型作为游戏引擎

一句话结论

本文以传统游戏引擎的“动作‑状态‑观测”循环为组织视角，系统分析了交互世界模型在玩家动作控制、游戏状态动态、状态‑观测持久性和实时交互生成四个维度的研究现状，并发布了超过90小时的《黑神话：悟空》游戏数据集，推动状态感知的游戏世界建模。

事件概述或研究问题

交互式游戏世界需要响应玩家动作、遵循演化游戏规则、保持长期一致性并实时运行。尽管视频生成模型被视为潜在下一代游戏引擎，但现有模型在这些方面仍有不足。本文重新审视该领域，将传统游戏引擎的循环作为分析透镜。

方法/产品要点

• 分析框架：沿四个维度（玩家动作控制、游戏状态动态、状态‑观测持久性、实时交互生成）综述现有方法，每组分为代表性家族并讨论优缺点。
• 数据引擎：为《黑神话：悟空》构建可扩展数据引擎，收集超90小时游戏过程，包含帧对齐的玩家动作、真值游戏状态和视觉观测，附带结构和语义标注。

主要结果或产业意义

• 提供了一个系统性的分类和比较，有助于理解当前交互世界模型的能力与权衡。
• 公开的数据集可支持状态感知模型训练和评估，可能推动具有理解游戏状态能力的下一代游戏引擎。

为什么重要

• 为视频生成模型与游戏引擎的交叉领域提供了清晰的视角，强调显式游戏状态的重要性，区别于仅依赖像素预测的纯生成方法。
• 发布的《黑神话：悟空》数据集包含了传统游戏引擎中的地面真值状态，填补了先前工作缺乏结构化游戏状态的空白（与已有相关卡片中缺乏状态标注的纯视觉模型形成补充）。

局限与不确定性

• 论文本质上是综述性分析，并未提出新的交互世界模型，也未在基准上进行定量对比实验，其框架的有效性有待后续验证。
• 数据集仅覆盖单一游戏《黑神话：悟空》，通用性待核实。

可用于图书/PPT/简报的角度

• 切入“人工智能如何重塑游戏开发”：展示从像素生成到状态感知的范式转变。
• 用作“视频生成模型的下一个前沿”的案例：解释为何需要显式游戏状态。
• 引导听众思考：数据驱动的游戏引擎如何平衡学习与规则。

与既有脉络的关系

本文不直接提出新模型，而是提供系统化分析框架和首个带状态标注的交互世界数据集，为“多玩家交互世界模型”等后续工作提供理论基础和数据支持。

原始材料

• 英文标题：From Pixels to States: Rethinking Interactive World Models as Game Engines
• 英文关键词：Interactive World Models, Game Engines, Video Generative Models, Action-State-Observation Loop, Black Myth: Wukong, State-Aware Modeling
• 来源：arXiv:2607.14076v1, cs.CV, 2026-07-15
• URL：https://arxiv.org/abs/2607.14076v1