输入一个地址,在方块世界里找到自己的家
20岁开发者 Thijs Simonian 在 X 上放出一段视频,声称自己在《我的世界》里以 1:1 比例重建了整个地球,包括你家的房子。玩家只需要输入现实地址,就能走进一个由方块组成的熟悉世界。
消息一出,大量玩家涌入社交平台,分享自己输入家庭住址后看到的画面——有人认出了街道轮廓,有人指认了建筑形状,还有人拍下某个细节与记忆中真实位置意外接近的截图。
这个项目名为 WorldCraft,体验地址是 worldcraft.gg。
从旧金山到全球,三步生成方块城市
Thijs 最初的目标只是把旧金山复刻进《我的世界》。他把整座城市转换成一份约 6 GB 的地图文件,道路、建筑、地形全部按现实位置排列。效果出来后,他决定把同一套生成流程扩展到全球。
整套系统的生成过程大致分为三步:
- 高程数据:确定山坡、河谷和平原的地形起伏
- 开放地图数据:以 OpenStreetMap 为主,确定道路走向和建筑平面轮廓
- AI 三维补全:参考三维航拍影像,为建筑补充屋顶造型、颜色和局部结构,再转换成《我的世界》方块
在数据足够完整的区域,玩家甚至能凭借街道和房屋的相对位置判断自己身处何处。Thijs 还为部分建筑生成了室内空间——床、桌椅等家具会根据住宅外形"合理推断"出来。
2 PB 太大?那就按需生成
这颗方块地球并没有被提前完整建好。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 存储空间,相当于约 2000 TB。光是存储和传输就足以让人头大。
他的解决方案是按需生成:
- 打开《我的世界》Java 版 26.2
- 在多人游戏中连接服务器 worldcraft.gg
- 输入「/go」加上真实地址
- 系统根据对应区域的数据实时生成地图,再把玩家传送过去
项目上线时优先开放美国区域,随后恢复了全球访问。不过部分国家和地区仍可能出现地图缺失、生成失败或建筑过度简化的情况。
服务器也承受了远超预期的访问量。Thijs 表示,最初的基础设施只按约 100 人同时在线设计,结果数万人同时涌入,服务器一度频繁崩溃。截至发稿,官网仍提示需求过高,正在重写系统并限制在线人数。
【编辑观察】从玩家晒出的截图来看,WorldCraft 的还原度参差不齐——数据丰富的地方有模有样,数据贫瘠的区域就只能靠 AI"自由发挥"。但这种"输入地址秒回老家"的体验,本身就足够让人上头。
250 个 AI Agent,反复打磨一套人类读不懂的算法
不是端到端大模型,而是"程序学习"
Thijs 把这套生成算法的开发方式称为 「Program Learning」(程序学习),并非传统意义上端到端训练的深度学习模型。
如果用一个大型生成模型直接把三维地图转换成 MC 场景,模型需要同时学习地形、建筑、材质和空间的对应关系。面对全球规模的数据,每次生成的计算资源都可能非常夸张。
Thijs 的做法是准备来自世界各地的大量地点数据,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 并非同时给地球上每栋房子画模型,而是分工协作:
- 有的 Agent 负责观察生成结果,寻找与参考数据之间的差异
- 有的尝试修改脚本和规则,让建筑轮廓、屋顶结构更接近目标
- 还有一部分充当 grader(评审员),专门评判修改后的效果
如果某次修改取得了更好的结果,就会被保留下来,成为后续优化的基础。Thijs 用「hillclimb(爬山式优化)」描述这个过程——沿着评估结果不断寻找更优解。
最终产出的是一套小型蒸馏分类模型 + 规则算法的混合程序:分类模型承担局部判断,规则系统负责把判断转化为具体的方块排列和结构。相比每次调用大模型重建场景,这种方式更适合频繁、大规模的地图生成任务。
Thijs 透露,他先后使用过 Astra 和 Claude,让 Agent 针对训练和测试地点不断调整转换脚本。
规则复杂到人类已经无法理解
随着规则越来越多,一个微妙的问题出现了:Agent 编写的规则对人类而言几乎不可理解。
Thijs 把这种方式与早期的符号主义 AI 联系起来。在深度学习成为主流之前,研究者曾尝试通过人工编写规则让计算机完成复杂判断,但规则系统很难覆盖现实世界的所有情况,维护和扩展都极其困难。
今天的不同之处在于——人类不再是编写规则的唯一瓶颈。Agent 可以不断编写、修改和评估规则,让原本难以由人工维护的复杂系统持续增长。
【编辑观察】250 个 AI Agent 互相协作、自我优化,最终写出人类看不懂的代码——这个画面本身就很有科幻感。但它也提出了一个现实问题:当 AI 系统的复杂度超越人类理解极限,我们该如何信任它的输出?
AI 生成 vs 万人手工:两种重建地球的路径
WorldCraft 上线后,玩家最常做的事就是寻找与自己有关的地方。现实地理数据提供位置和尺度,AI 补充形状、颜色与室内空间——数据充分时结果可信,数据缺失时就只能简化、推断,甚至无法生成。
这让人想起另一个持续多年的《我的世界》项目:Build the Earth。
万人手工建造的浪漫与极限
2020 年,YouTuber PippenFTS 发起 Build the Earth 计划,希望集合全球玩家力量,以 1:1 比例在 MC 中重建地球。主要建筑全部由志愿者亲手完成:有人从自己家开始,有人负责学校和街区,还有大型团队长期重建纽约等城市。
建造者可以根据真实照片反复调整建筑比例、窗户位置和外墙装饰。已完成区域往往有着算法难以照顾到的细节——比如纽约项目的部分街区,志愿者甚至会在阳台上摆放花盆。
根据官网数据:
- 注册建造者超过 1.77 万人
- 完成约 107 万栋建筑
- 覆盖面积超过 1110 平方公里
- 获吉尼斯世界纪录认证为"《我的世界》最大建造项目"
但与整颗地球相比,这些数字仍然很小。吉尼斯今年 10 月的报道提到,Build the Earth 已完成面积远不到地球表面的 1%。项目成员估计,整个工程可能还需要约 100 年。而且现实世界的建筑每天都在变化,今天建好的街道几年后可能又是新模样。
手工有温度,AI 有广度
在已经由玩家亲手完成的区域,Build the Earth 拥有更多细节与创造力。但问题是,世界上绝大多数地方并没有这么幸运——著名地标、历史建筑和大型城市容易吸引建造者,普通住宅、小城镇和偏远地区则可能长期无人问津。
Thijs 自己和朋友的家、他们生活的社区和小镇,都没有出现在 Build the Earth 的已完成区域中。而 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探索的方块空间。
【编辑观察】这两个项目并非竞争关系,更像两种哲学的对照:一个是人类用双手逐砖逐瓦倾注情感,一个是 AI 用数据和算法追求普惠覆盖。对玩家来说,选择哪一种,有时只取决于你想去的地方,有没有人替你建过。




评论