20岁开发者用250个AI:1:1重建地球进《我的世界》?
20 岁的开发者 Thijs Simonian 在 X 上发了一…视频,他声称,自己在《我的世界》(Minecraft)里以 1:1 重建了整个地球,包括你家的房子。 他把地图数据交给一套由 AI Agent 参与开发的生成系统,让玩家只需输入现实地址,就能走进一个由方块组成的熟悉世界。 进入体验的玩家迅速涌向社交平台
20岁的开发者 Thijs Simonian 在 X 上发了一段视频,声称自己在《我的世界》(Minecraft)里按 1:1 重建了整个地球,连你家的房子都在里面。



地图数据被交给一套有 AI Agent 参与的生成系统,玩家只要输入现实中的地址,就能走进一个由方块搭成的熟悉世界。

体验过的人很快跑到社交平台上晒图:输入自家住址后截下的画面,有人对照街道轮廓,有人辨认建筑形状,也有人拍下某个细节,说它和记忆里的真实位置意外地对得上。

体验传送🚪:worldcraft.gg
输入一个地址,就能在《我的世界》里找到自己的家
Thijs 一开始只想把旧金山搬进《我的世界》。
这座城市被他转成一份约 6 GB 的《我的世界》地图文件,玩家下载后能在本地自行探索。道路、建筑、地形都按现实中的位置摆放,站在街上往远处看,熟悉的城市成了方块拼出来的景观。

看到效果,他决定把这套生成流程推广到全球。
生成过程大致分三步走。山坡、河谷和平原的起伏,由高程数据确定。随后系统读取以 OpenStreetMap 为主的开放地图数据,把道路的位置、走向以及建筑的平面轮廓定下来。
地形和轮廓有了,城市已经初具形状,可此时的建筑还比较粗糙。接下来 AI 参考三维航拍影像,给建筑补上屋顶造型、颜色和部分局部结构,再把这些内容转成《我的世界》能用的方块。
在数据足够完整的地方,玩家或许能认出一栋建筑的外形,甚至靠街道和房屋的相对位置判断自己身在何处。
Thijs 还给建筑加了室内空间。走进部分房屋,床、桌椅和其他家具都在,只不过这些内部空间是根据一栋住宅的外形生成的,看起来合理而已。


这颗方块地球并不是提前完整建好的。Thijs 估算,如果把全球地图全部预先生成,最终文件可能需要约 2 PB 的存储空间,相当于大约 2000 TB。光存储和传输,就够让人头疼了。
他的办法是按需生成。玩家打开《我的世界》Java 版 26.2,在多人游戏中连接服务器 worldcraft.gg,进入后输入「/go」加上真实地址,系统就会根据对应区域的数据生成地图,再把玩家传送过去。
项目刚上线时仅对美国区域开放,随后 Thijs 称全球访问已恢复。但部分国家和地区仍会遇到地图缺失、生成失败,或者建筑被过度简化的问题。
这种方式很快吸引来一批想回去看看的人。据 Dexerto 报道,有人发现自己以前住过的活动板房社区,被系统生成成了一排三层住宅,位置似乎还在,模样却有些陌生。还有玩家进入熟悉的社区后,发现只有附近一小片区域成功加载,再往前走就是空白。

访问量同样超出预期。Thijs 说,最初的基础设施是按约 100 人同时使用来搭建的,结果涌进来的人却有数万。服务器一度频繁崩掉;到今天,官网还在提示需求过高,相关系统正在重写,同时在线人数也做了限制。
但从这些玩家的反应中,已经能看出 WorldCraft 的吸引力。
250 个 AI Agent,反复修改一套人类难以读懂的算法
这套生成算法是怎么开发出来的?
Thijs 把它称为「Program Learning」,即程序学习。
他解释说,这跟传统意义上端到端训练的深度学习模型不是一回事。假如拿一个大型生成模型直接把三维地图转成《我的世界》场景,那它就得学会地形、建筑、材质以及空间位置彼此怎么对应。而地图数据是全球规模的,每次生成要消耗的算力都可能相当可观。
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。

这些 Agent 的工作,并不是同时为地球上的每栋房子绘制模型。
这些Agent分工不同:一部分盯着某个地点的生成结果,对照参考数据找差异;一部分动手改脚本和规则,让建筑轮廓、屋顶结构或其他细节更贴近目标;还有一部分扮演grader,专门评审修改后的效果。某次修改如果效果更好,就可能被留下来,当作后面继续优化的基础。
Thijs把这一过程叫作「hillclimb」,也就是沿着评估结果一路寻找更优解的爬山式优化。
一个Agent改了某些规则,另一个Agent去检查结果,接着再有人针对其他地点暴露的问题继续调整。来自不同城市、建筑和地形的大量数据,成了整个系统反复试错的依据。
最终那套程序混合了小型蒸馏分类模型和规则算法,结构相当复杂。小型分类模型承担某些局部判断,规则系统则把这些判断落成具体的方块排列和结构。比起每次都调用大型生成模型重建场景,这种路子更适合需要频繁、大规模运行的地图生成任务。
后续采访片段里,Thijs透露自己先用过Astra,后来又用Claude,让Agent针对训练和测试地点不断调整转换脚本。

可规则一多,另一个问题就冒出来了。
按Thijs的说法,这套算法复杂到一定程度之后,Agent编写的规则对人类来说已经几乎没法理解。
他把这种做法和早期的符号主义AI联系在一起。深度学习成为主流之前,研究人员试过靠人工编写规则和知识表示,让计算机完成复杂判断。问题是规则系统很难覆盖现实世界的所有情况,维护和扩展都相当困难。
如今不一样的地方在于,编写规则不再只靠人。Agent可以不停编写、修改和评估规则,让原本难以由人工维护的复杂系统继续生长。
方块里的街道,与我们重新看见的日常
WorldCraft上线以后,玩家最常干的一件事,就是去找跟自己有关的地方。
前面说过,现实地理数据给出位置和尺度,AI再根据能拿到的信息补上形状、颜色与室内空间。数据够充分,结果可能相当可信;数据缺失时,系统只能简化、推断,甚至没法继续生成。
这种略显粗糙的现实映射,让人想到另一个做了多年的《我的世界》项目——Build the Earth。
2020年,YouTuber PippenFTS发起这项计划,想集合全球玩家的力量,按1:1比例在《我的世界》里重建地球。
Build the Earth 里的建筑基本都靠志愿者一砖一瓦搭起来。有人从自家房子动手,有人包下学校和街区,也有大团队长年累月重建纽约这类城市。
建造者能对照真实照片反复调整建筑比例、窗户位置和外墙装饰。那些已经完成的区域,往往带着算法难以照顾到的细节。比如纽约项目的部分街区,志愿者甚至会在建筑阳台上摆花盆。
Build the Earth官网的数据显示,目前注册建造者已超过1.77万人,完成约107万栋建筑,覆盖面积超过1110平方公里。它还拿到了吉尼斯世界纪录对《我的世界》最大建造项目的认证。

可放到整颗地球的尺度上看,这些数字仍然很小。
吉尼斯世界纪录在今年10月的报道中提到,Build the Earth已完成的面积远不到地球表面的1%。项目成员Gideon Bergheim估计,整个工程可能还要大约100年。何况现实世界里的建筑每天都在变,今天建好的一条街道,几年之后可能又是另一副模样。
当然,在那些玩家已经亲手完成的区域,Build the Earth的细节与创造力更胜一筹。

图源:Build the Earth
可全球大多数地方没这条件。地标、老建筑、大城市容易招来人手,普通民居、小城镇和偏远地带,往往很久都没人管。
Thijs提到过,自己和朋友的家,以及他们生活的社区和小镇,都没出现在Build the Earth的已完成区域里。WorldCraft想在数据允许的情况下,把一座没什么人听说过的小镇转换成可供玩家探索的空间。
对玩家来说,选哪一种方式,有时只取决于自己想去什么地方。