Project Eden vorstellen: Ein Weltmodell für Multiplayer und Agenten
Wir veröffentlichen eine Research-Vorschau von Project Eden, einem persistenten Weltmodell, das für den Multiplayer-Einsatz und für KI-Agenten entwickelt wurde, die sich eine einheitliche Welt teilen. Es läuft kontinuierlich, merkt sich, was du damit machst, und bleibt konsistent, egal aus welcher Kamera man es betrachtet. Die vollständige technische Vorschau findest du hier: Project Eden research preview.
Die Idee hinter Project Eden ist einfach zu formulieren und schwer umzusetzen. Die meisten Systeme, die derzeit als "world models" bezeichnet werden, sind Videogeneratoren; sie sagen das nächste Frame voraus und vergessen alles, sobald es aus dem Bild verschwindet. Project Eden hält stattdessen die Welt unter dem Bild weiter am Laufen. Lösche ein Feuer, und es bleibt gelöscht. Schau von einer Wand weg, und sie ist beim Zurückblicken immer noch da. Zwei Spieler rasen aus unterschiedlichen Blickwinkeln auf derselben Strecke und bleiben in derselben Realität.
Genau das ist der entscheidende Unterschied. Die folgenden Abschnitte erklären, warum das wichtig ist und wie es funktioniert.
Warum die meisten "World Models" keine sind
Generatives Video ist inzwischen gut geworden. Handlungsbedingt gesteuerte Modelle reagieren auf deine Eingaben und erzeugen flüssige Bewegungen, und die Branche hat begonnen, sie World Models zu nennen.
Es gibt jedoch eine Lücke zwischen dem Vorhersagen von Pixeln und dem Simulieren einer Welt. Das Erzeugen des nächsten Frames sagt dir, wie sich ein Bild verändern soll. Ein echtes Weltmodell muss verfolgen, was diese Pixel bedeuten: die Objekte, Räume, Regeln, Erinnerungen und physischen Folgen, die bestehen bleiben sollten, unabhängig davon, ob eine Kamera hinschaut oder nicht.
Die Forschung hat sich bisher in zwei Richtungen aufgeteilt, und jede stößt an eine Grenze.
Handlungsbedingt gesteuerte Videogenerierung beherrscht Bewegung gut, hat aber kein dauerhaftes Gedächtnis. Der "Zustand" der Welt lebt in einem kurzen Fenster aktueller Frames, sodass alles, was aus dem Bild verschwindet, driften, verschwinden oder falsch zurückkehren kann. Man bekommt Zeit ohne Beständigkeit.
Statische 3D-Szenengenerierung liefert soliden, begehbaren Raum, friert ihn aber ein. Physik, Ereignisse und Veränderung sind nicht Teil des Designs. Man bekommt Struktur ohne Veränderung.
Eine Richtung merkt sich also, wie sich Dinge bewegen, vergisst aber, dass sie existieren. Die andere erinnert sich daran, dass sie existieren, kann aber nicht zulassen, dass sie sich verändern. Ein echtes Weltmodell braucht beides.
Die Kernidee: Zustand vor Rendering
Die wichtigste Designentscheidung von Project Eden ist, den Weltzustand vom Rendering zu trennen.
Die Realität funktioniert bereits so. Die Welt ist da, bevor eine Kamera sie betrachtet. Das sind Fragen des Zustands, nicht des Renderings. Statt Raum, Objekte, Ereignisse und Erscheinungsbild also in einen Strom von Pixeln zu stopfen, hält Project Eden eine zugrunde liegende Welt eigenständig am Laufen. Rendering wird zu einer Art, diese Welt zu betrachten, nicht zu dem Ort, an dem die Welt gespeichert ist.
So funktioniert es: Drei Schichten
Ein einzelner Videogenerator, der alles erledigt, wird durch drei Schichten ersetzt, jede mit einer klaren Aufgabe.
Ein sich entwickelnder strukturierter Zustand. Hier lebt die Welt. Es ist eine kompakte Repräsentation, kein riesiger 4D-Point-Cloud, und sie erfasst grobe Geometrie, Objektidentität, Semantik und die Auswirkungen deiner Aktionen. Objekte, die das Bild verlassen, werden nicht verworfen. Änderungen werden zurückgeschrieben und bleiben erhalten.
Eine Schnittstelle von Zustand zu Beobachtung. Wenn eine Ansicht gerendert werden muss, verwandelt diese Schicht den Weltzustand in kamerabedingte Hinweise: lokale Geometrie, Semantik, jüngste Änderungen. Jede Perspektive greift auf dieselbe Quelle zu, sodass verschiedene Kameras physikalisch konsistent bleiben.
Generatives neuronales Rendering. Der Renderer nimmt diese Hinweise und erzeugt, was du siehst: Licht, Textur, Materialien, Rauch, Feuer, Wasser, Bewegung. Er muss sich die Welt nicht merken. Er muss sie nur zeigen.
Was Eden kann
Die Trennung von Zustand und Rendering eröffnet Dinge, die reines Video oder statisches 3D nicht gemeinsam leisten können.
Objekte verschwinden nicht, wenn sie das Bild verlassen. Sie bleiben im zugrunde liegenden Zustand, sodass du so lange wegschauen kannst, wie du willst, und die Welt ist noch da, wenn du zurückblickst. In unserer Feuerlösch-Demo ist das Löschen des Feuers kein vorübergehender Effekt. Die Umgebung geht in einen veränderten Zustand über und behält ihn bei.
Physik reagiert auf unterschiedliche Eingaben. Steuere ein Boot oder fahre ein Auto, und die Aktion wird im Zustand erfasst und aktualisiert die Dynamik.
Welten sind wiederverwendbar und bearbeitbar. Videogenerierung läuft nur in eine Richtung; sobald die Zeitlinie weitergeht, kannst du nicht mehr zurückgreifen. Eden lässt dich immer wieder auf eine laufende Welt einwirken. Hinterlasse eine Spur, verschiebe ein Objekt, löse ein Ergebnis aus, und es bleibt bestehen. Andere Menschen, die diese Welt betreten, sehen dieselben Änderungen.
Multiplayer ist eingebaut. Viele Agenten teilen sich einen kompakten Zustand, während für jede Kamera eine eigene Ansicht gerendert wird. In der Racing-Demo teilen sich zwei Autos von verschiedenen Blickwinkeln aus eine synchronisierte Strecke. In der Schießstand-Demo führen verschiedene Spieler unterschiedliche Aktionen in einer Umgebung aus, und Eden löst sie nach denselben Regeln auf.
Es kann Agenten trainieren. Eine Welt mit stabiler Physik, zeitlicher Konsistenz und langem Gedächtnis eignet sich als Umgebung für das Training und Testen verkörperter KI, bei der Aktionen verlässliche Ergebnisse haben und die Welt sich nicht nach jedem Blick zurücksetzt.
Warum das wichtig ist
Eden richtet sich an zwei Zielgruppen. Für Creator ist es eine Engine für interaktive Inhalte: eine Umgebung erzeugen, Interaktionen einrichten, Menschen in denselben persistenten Raum einladen. Für Forschende ist es eine Simulationsbasis mit Langzeitkonsistenz, echten physikalischen Regeln, bearbeitbaren Szenarien und messbaren Folgen, also genau das, was verkörperte Agenten brauchen, um zuverlässig zu lernen.
Das ist der Grund, warum wir Weltmodelle nicht unter Videogenerierung einordnen. Ein Weltmodell braucht einen Zustand, der sich ändern kann.
Wie es weitergeht
Dies ist eine Research-Vorschau, kein fertiges allgemeines Weltmodell, und die Arbeit steckt noch in den Anfängen. Wir bauen reichhaltigere Physik, größere Umgebungen, breitere Freiversuchs-Erkundung, feinere Objektinteraktion und ein stärkeres State Transition Model, das die Welt aus Aktionen, Regeln und Feedback aktualisiert. Auch die Evaluation muss wachsen und Persistenz, kausale Konsistenz, Regelbefolgung und Multi-Agenten-Synchronisation testen, nicht nur die visuelle Qualität.
Vom Vorhersagen des nächsten Pixels zum Simulieren des nächsten Zustands zu wechseln ist nicht nur eine technische Veränderung. Es weist auf KI hin, die in Welten, die Bestand haben, erschaffen, sich erinnern und schlussfolgern kann.
Die vollständige Darstellung mit Demos und Architekturdetails findest du in der Project Eden research preview.
About VAST AI Research: VAST AI Research entwickelt 3D Foundation Models und World Models. Mehr erfahren unter tripo3d.ai/research und folge @vastairesearch.
