设想一下：你在一个由一句话生成的 3D 场景里往前走，走到拐角转身，身后那一面模型从来没见过，它得在你转身的那一刻现编出来；等你再转回去，刚才看过的东西还得对得上，不能换了个样。
这就是交互式 3D 世界跟生成一段视频的根本区别。视频的镜头是模型自己定的，它只要把这几秒拍连贯；交互式的视角在玩家手上，你往哪看、什么时候回头，它都得接住。一句话或者一张图直接生出一个能走进去的世界，做游戏的盯这个方向盯了很久，原因也在这。
所以难点几乎全压在一致性上。很多演示第一眼很惊艳，走两步地面就开始飘。这种问题光看一段剪好的录屏是看不出来的，得自己上手，绕着同一个东西来回多走几圈才知道。
对我们来说还有一道硬门槛，就是能不能进生产管线：要么吐出可用的几何和贴图，要么至少给一个稳定的场景表示，后面的流程才接得住。只能在它自家播放器里逛一逛的东西，再好看，对我们的价值也有限。
这次开放到什么程度，先看看再说。