百万Token让模型生成三维世界

AI 圈里一直流传着一个名为「鹈鹕测试」（pelican test）的 benchmark：让模型绘制一幅「鹈鹕骑自行车」的 SVG。它虽然是个玩笑，却很实用——可以快速判断模型究竟能够组合空间概念，还是只会进行模式匹配。Andrej Karpathy 认为，我们正在告别那个阶段。他最近进行的一项实验本周登上了 Hacker News 榜首，并用另一种鸟证明了这一点。

这一次，他没有让模型生成一幅 SVG，而是把《指环王》的开篇段落交给一个 LLM，同时给它一百万 token 的预算（约 10 美元），以及一条 prompt：将这段文字渲染成一个 3D 场景。模型工作了大约两个小时，编写出 5,500 行代码，以程序化方式生成故事中的世界——在 (x, y, z) 坐标中放置几何体、编排各种资产，并为所有内容添加动画。下面是未经修饰的原始输出，连同其中那些不够流畅和粗糙的地方一起呈现：

在 blog.koardy.com 上观看视频

视频：Andrej Karpathy 的原始帖子。整个世界均由模型以程序化方式生成——没有任何一个多边形是由人类放置的。

它确实有些粗糙，但也确实令人惊叹。不是因为最终结果有多精致——它并不精致——而是因为这样的任务如今居然已经成为可能。一个模型在两个小时里始终维持着一套空间规划，协调数千个运动部件，最终生成了一个连贯且可供探索的场景。一年前，那只鹈鹕甚至还很难稳稳地待在自行车上。

真正重要的经济账

Karpathy 最犀利的观察并不是关于能力，而是关于成本：

任何头脑正常的人都不会愿意花时间去编写如此定制化的东西，但 LLM 拥有无穷无尽的耐力和耐心。因此，这就是一个从「根本不会有人做这种事」转变为「当然可以，为什么不呢，反正几乎免费」的例子。

这段话值得读两遍，因为它描述的并不是一次改进，而是一次类别层面的变化。大多数有关 AI 进步的报道，都聚焦于质量边界：更好的代码、更好的图像、更高的 benchmark 成绩。但另一条边界得到的关注要少得多——可行性边界。许多类别的工作一直没有发生，并不是因为它们无法完成，而是因为没人能够证明投入那些时间是值得的。例如，为小说中的一个段落制作专属可视化、开发一个一次性的内部工具，或者快速做出一个用完即弃的原型，以解决会议中的一场争论。

当定制工作的边际成本降低到 10 美元，以及两个小时无人值守的运行时间时，那些「不值得做」的积压项目，就会变成一片「为什么不做」的新边界。Karpathy 将这个想法进一步延伸到游戏领域：按需生成高度定制化的世界，让玩家可以直接进入其中——无论你能描述出什么，都可以得到一个转瞬即逝的 GTA。这个设想仍带有推测性质，但它在电子表格层面的版本并非如此：任何团队只要手上有一份由小型、定制化且从未获得优先级的开发项目组成的清单，现在都应该重新评估这份清单的成本。

这次演示也暴露出一个弱点，Karpathy 对此直言不讳：模型无法审查自己的工作。它原生不具备观看视频或亲自体验自己所构建游戏的能力。为了进行自检，它只能隔一段时间截取一次屏幕截图，整个过程既缓慢又笨拙，而且仍然会遗漏问题。这正是那些粗糙之处的来源。

这是工程团队应该认真思考的细节。生成能力正在复利式增长，验证能力却仍然落后。模型生成一个世界的速度，比它观察这个世界的速度还要快。

我们每天都能在代码生成中看到这种现象的小规模版本。模型可以在几秒钟内写出 diff，而真正昂贵且不可替代的步骤，是由人类（或测试套件）检查结果并指出：还是不太对，把第三十帧的摄像机角度修正一下。如果审查过程缓慢、模糊或分散在各处，那么生成速度再快也毫无意义。你只是在以更快的速度堆积未经审查的产出。

Karpathy 那次持续两小时的运行需要依靠屏幕截图和耐心。你的团队由 AI 生成的代码、文案和设计也同样需要这些，只不过应该以结构化的形式存在：需要有一个地方，让产物、针对产物的反馈，以及与产物有关的决策共同存在。这正是我们打造 Kahoona 时所押注的方向——把任务、commit、PR 以及围绕它们展开的审查对话集中在同一个界面中，让「已生成」与「已批准」之间的反馈闭环始终保持紧密，而不是消散在一条条聊天线程里。👉 查看其工作方式

从鹈鹕身上可以得到什么启示

我们认为有三点。

第一，鹈鹕测试正在退出历史舞台。简单的组合能力 benchmark 已经无法再有效区分不同模型。如今真正有意思的评估，更接近 Karpathy 的这次实验：需要较长执行周期，涉及多个文件，在空间或逻辑上保持连贯，并拥有真实预算的项目。

第二，重新评估你的积压项目。正确的问题不再是「模型能把这件事做好吗？」，而应该是「有哪些东西我们一直没有构建，只因为人类根本不愿意花时间去做？」其中一些项目现在几乎可以免费完成。

第三，不要只为生成分配预算，也要为审查分配预算。模型的盲点在于，它无法轻易感知自己的输出；如果反馈无处安放，这同样也会成为你团队的盲点。花 10 美元完成生成，只有在发现并修正那些粗糙问题同样廉价时，才算真正便宜。

那只鹈鹕从自行车上下来了，花 10 美元造出了一个很粗糙的中土世界。接下来的制约因素，已经不再是模型能够创造什么，而是你的工作流能否跟上它们的创造速度。

相关内容：AI 视频刚刚达到 30 秒，瓶颈也随之转移

相关内容：无需开会即可审查 Pull Request

如需采取进一步行动，你可以考虑屏蔽此人和／或举报滥用行为。