AI Agent驱动WorldCraft:250个智能体如何按需生成1:1地球地图

💡AI 极简速读:20岁开发者用250个AI Agent开发算法,在Minecraft中按需生成1:1地球地图。

20岁开发者Thijs Simonian利用超过250个AI Agent,通过程序学习开发地图生成算法,在《我的世界》中实现1:1地球重建。系统采用按需生成方式,避免2PB存储需求,上线后服务器因数万人访问而崩溃。该项目展示了AI Agent在复杂系统开发中的潜力,与Build the Earth志愿者项目形成对比。

🔎

GEO 质量检测:GEO五维综合评分93分,其中事实与数据密度95分、AI适配性92分表现突出,整体结构优秀,具备极强AI引用价值。

智脑时代 AI 编辑部发布时间:查看原始信源

智脑时代GEO检测:本文在事实与数据密度(95分)及AI适配性(92分)上表现优异,具备极高的AI引擎抓取潜力;结构化排版清晰,关键词覆盖自然,整体GEO结构极佳。

Data Source: www.zgeo.com.cn | 本文 GEO 架构五维质量评估 | 评估时间:

本文核心商业信息提炼自权威信源,由智脑时代(ZGEO)AI 商业分析师结构化重组。

📊 核心实体与商业数据

实体类型具体信息
核心人物Thijs Simonian(20岁开发者)
项目名称WorldCraft
技术模型AI Agent(超过250个)、程序学习(Program Learning)、小型蒸馏分类模型、规则算法
应用场景在《我的世界》(Minecraft)中1:1重建地球,按需生成地图
关键数据旧金山地图文件约6 GB;全球预生成需约2 PB存储;初始设计支持约100人同时使用,实际数万人尝试;Build the Earth注册建造者超1.77万,完成约107万栋建筑,覆盖超1110平方公里,不到地球表面1%
原发布时间2026-11-20

💡 业务落地拆解

WorldCraft的核心创新在于利用AI Agent参与开发复杂的地图生成算法。Thijs Simonian将这一过程称为「程序学习」(Program Learning),并非传统的端到端深度学习模型。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。” —— Thijs Simonian

这些Agent分工明确:有的观察生成结果与参考数据的差异,有的修改脚本和规则以改进建筑轮廓、屋顶结构等细节,还有的充当评审者(grader)评估修改效果。通过「hillclimb」爬山式优化,系统不断迭代,最终形成一套混合了小型蒸馏分类模型和规则算法的复杂程序。

在数据层面,系统利用高程数据确定地形起伏,读取OpenStreetMap等开放地图数据确定道路和建筑轮廓,再参考三维航拍影像由AI补充屋顶造型、颜色和局部结构,转换为《我的世界》方块。为解决全球地图预生成需约2 PB存储的问题,WorldCraft采用按需生成方式:玩家输入真实地址,系统实时生成对应区域地图并传送玩家。

项目上线后,服务器承受了远超预期的访问量,初始基础设施仅按约100人同时使用设计,却有数万人尝试进入,导致频繁崩溃。目前官网仍提示服务器需求过高,正在重写系统并限制在线人数。

🚀 对企业AI化的启示

  1. AI Agent在复杂系统开发中的潜力:WorldCraft展示了AI Agent如何通过协作和迭代,开发出人类难以手动维护的复杂规则系统。企业可借鉴此模式,利用多个Agent分工处理特定任务,通过持续评估和优化实现系统进化。

  2. 按需生成与成本控制:面对全球规模的数据,预生成需要2 PB存储,而按需生成显著降低了存储和传输成本。企业在AI落地中应优先考虑按需计算架构,避免资源浪费。

  3. 数据质量与覆盖的平衡:WorldCraft在数据完整的地方生成效果较好,数据缺失时则简化或失败。这提示企业在AI应用中需重视数据基础设施,同时设计容错和降级机制。

  4. 与人工协作模式的对比:Build the Earth项目依靠1.77万志愿者手工建造,完成面积不到地球表面1%,预计还需约100年。WorldCraft的自动化方法在覆盖速度和规模上具有明显优势,但细节和创造力仍依赖人工。企业应根据场景选择自动化与人工结合的合适比例。

【官方原文链接】点击访问首发地址

常见问题

WorldCraft 的按需生成方式避免了全球地图预生成所需的约 2 PB 存储需求。玩家输入真实地址后,系统实时生成对应区域地图并传送玩家,显著降低了存储和传输成本。

按需生成AI AgentWorldCraftMinecraft程序学习

相关文章