Meta tiết lộ AI Agent sinh tạo cho thế giới 3D tương tác

Với hệ thống WorldGen, Meta đang chuyển hướng ứng dụng của AI generative trong việc tạo ra thế giới 3D từ việc chỉ tạo hình ảnh tĩnh sang sản xuất các tài sản tương tác hoàn chỉnh.

Thách thức lớn nhất trong việc tạo ra trải nghiệm Lĩnh vực tính toán nhập vai — dù là cho game tiêu dùng, digital twin trong công nghiệp hay mô phỏng huấn luyện nhân viên — từ lâu đã là sự tốn thời gian và công sức của việc mô hình hóa 3D. Việc xây dựng một môi trường tương tác thường đòi hỏi các nhóm nghệ sĩ chuyên môn làm việc Weekly trời.

Theo một báo cáo kỹ thuật mới từ Reality Labs của Meta, WorldGen có khả năng tạo ra thế giới 3D có thể di chuyển và tương tác được chỉ từ một dòng lệnh mô tả bằng văn bản trong khoảng năm phút.

Mặc dù công nghệ hiện vẫn đang ở mức nghiên cứu, kiến trúc WorldGen giải quyết các điểm yếu quan trọng ngăn cản AI generative trở nên hữu dụng trong quy trình chuyên nghiệp: tính tương tác chức năng, khả năng tương thích với engine và kiểm soát chỉnh sửa.

Môi trường AI generative trở thành thế giới 3D tương tác thực sự

Điểm yếu chính của nhiều mô hình text-to-3D hiện nay là họ ưu tiên chất lượng hình ảnh (visual fidelity) hơn là chức năng. Những phương pháp như gaussian splatting tạo ra cảnh quang học chân thực rất ấn tượng trong video, nhưng thường thiếu kết cấu vật lý nền tảng để người dùng có thể tương tác với môi trường. Các tài sản thiếu dữ liệu va chạm hoặc vật lý dốc nghiêng gần như không có giá trị cho mô phỏng hay game.

WorldGen đi theo hướng ưu tiên “khả năng di chuyển được” (traversability). Hệ thống tạo ra một mạng dẫn đường (navmesh) — một lưới Polygon đơn giản xác định bề mặt đi bộ được — song song với địa hình hình học. Điều này giúp cho các prompt như “làng thời trung cổ” không chỉ đơn thuần tạo ra cụm nhà, mà còn tạo bố cục Lĩnh vực hợp lý, với các con đường không bị cản trở và Lĩnh vực mở có thể tiếp cận được.

Với doanh nghiệp, sự khác biệt này cực kỳ quan trọng. Một digital twin của nhà máy hay mô phỏng huấn luyện an toàn trong môi trường nguy hiểm đều cần có dữ liệu vật lý và dẫn đường hợp lệ.

Phương pháp của Meta đảm bảo kết quả đầu ra “đã sẵn sàng cho game engine”, tức là các tài sản có thể được xuất trực tiếp vào các nền tảng tiêu chuẩn như Unity hoặc Unreal Engine. Sự tương thích này giúp các đội kỹ thuật dễ dàng tích hợp quy trình generative AI vào pipeline hiện có mà không cần phần cứng render chuyên dụng như các phương pháp khác (ví dụ radiance fields) thường yêu cầu.

Quy trình sản xuất bốn giai đoạn của WorldGen

Các nhà nghiên cứu của Meta đã xây dựng WorldGen dưới dạng một pipeline AI mô đun, mô phỏng quy trình phát triển truyền thống khi tạo thế giới 3D.

Quá trình bắt đầu từ lên kế hoạch cảnh (scene planning). Một mô hình ngôn ngữ lớn (LLM) hoạt động như kỹ sư cấu trúc, phân tích prompt của người dùng để tạo bố cục logic. Nó quyết định vị trí các công trình và đặc điểm địa hình, tạo ra bản “blockout” — phác thảo 3D thô — đảm bảo cảnh có cấu trúc vật lý hợp lý.

Giai đoạn tiếp theo là “scene reconstruction”, xây dựng hình học cơ bản. Hệ thống lấy cả navmesh làm điều kiện, đảm bảo khi AI “tưởng tượng” các chi tiết, nó không đặt một tảng đá chắn cửa hoặc chặn đường thoát hiểm.

“Scene decomposition” là giai đoạn thứ ba, rất quan trọng để linh hoạt trong vận hành. Hệ thống sử dụng phương pháp AutoPartGen để nhận diện và tách các đối tượng riêng biệt trong cảnh—tách cây với mặt đất, hoặc thùng hàng với nền kho.

Trong nhiều mô hình generative “single-shot”, cảnh chỉ là một khối hình học gộp lại. Nhờ tách rời các thành phần, WorldGen cho phép chỉnh sửa viên di chuyển, xóa hoặc sửa đổi từng tài sản riêng biệt mà không làm hỏng toàn bộ thế giới.

Ở bước cuối cùng, “scene enhancement” làm bóng bẩy các tài sản. Nó tạo texture độ phân giải cao và tinh chỉnh hình học từng đối tượng để đảm bảo chất lượng hình ảnh khi nhìn gần.

Tính thực tiễn khi dùng AI generative tạo thế giới 3D

Việc triển khai công nghệ này đòi hỏi đánh giá cơ sở hạ tầng hiện tại. Kết quả của WorldGen là các lưới Polygon có texture tiêu chuẩn. Sự lựa chọn này tránh bị phụ thuộc vào nhà cung cấp do kỹ thuật render độc quyền. Ví dụ, một công ty logistics có thể dùng công cụ này để nhanh chóng tạo nguyên mẫu mô-đun VR huấn luyện, sau đó bàn giao cho đội phát triển chỉnh sửa tinh chỉnh.

Việc tạo ra một cảnh hoàn chỉnh có texture và khả năng di chuyển mất khoảng 5 phút khi có phần cứng đủ mạnh. Với các studio hay phòng ban vốn mất nhiều ngày để dựng layout cơ bản, bước tiến về hiệu quả này có thể thay đổi hoàn toàn cách làm việc.

Tuy nhiên, công nghệ hiện vẫn có giới hạn. Phiên bản hiện tại chỉ tạo một góc nhìn tham chiếu đơn lẻ, nên quy mô thế giới chưa thể mở rộng xa. Nó chưa thể tạo tự nhiên các thế giới mở rộng lớn trải dài hàng km mà không phải ghép nhiều vùng lại với nhau, điều này có thể gây ra sự không đồng nhất về hình ảnh.

Hệ thống cũng đại diện độc lập từng đối tượng mà không tái sử dụng, có thể gây lãng phí bộ nhớ ở những cảnh cực lớn, trong khi các tài sản tối ưu thủ công sẽ dùng lại một mô hình ghế cho 50 lần. Các phiên bản tương lai dự kiến sẽ giải quyết bài toán mở rộng quy mô thế giới và giảm độ trễ.

So sánh WorldGen với các công nghệ mới nổi khác

Khi so sánh cách tiếp cận này với các công nghệ AI tạo thế giới 3D khác càng làm rõ ưu điểm của WorldGen. Đối thủ như World Labs sử dụng hệ thống Marble với Gaussian splatting để đạt chất lượng photo-realistic cao. Dù hình ảnh đẹp mắt, các cảnh dạng splat này thường giảm chất lượng khi camera dịch chuyển khỏi trung tâm và mất chi tiết chỉ sau 3-5 mét.

Lựa chọn xuất ra hình học dạng mesh giúp WorldGen trở thành công cụ phát triển ứng dụng chức năng thay vì chỉ tạo nội dung hình ảnh. Nó hỗ trợ vật lý, va chạm và định vị dẫn đường một cách tự nhiên — những yếu tố thiết yếu cho phần mềm tương tác. Nhờ đó, WorldGen có thể tạo cảnh lên đến 50×50 mét mà vẫn giữ được tính toàn vẹn hình học.

Đối với các nhà lãnh đạo trong lĩnh vực công nghệ và sáng tạo, sự xuất hiện của các hệ thống như WorldGen mở ra rất nhiều cơ hội mới. Doanh nghiệp nên rà soát quy trình 3D hiện tại để xác định những khâu “blockout” và nguyên mẫu đang tiêu tốn nhiều nguồn lực nhất. Những công cụ generative nên được dùng để tăng tốc vòng lặp phát triển ở đây, thay vì cố gắng thay thế luôn sản phẩm chất lượng cuối cùng.

Song song đó, các nghệ sĩ kỹ thuật và thiết kế level cần chuyển từ việc bố trí từng điểm đỉnh thủ công sang việc tạo prompt và tuyển chọn đầu ra từ AI. Các chương trình đào tạo cần tập trung vào “prompt engineering cho bố cục Lĩnh vực” và chỉnh sửa tài sản được AI tạo ra cho thế giới 3D. Cuối cùng, mặc dù kết quả xuất ra là chuẩn, quá trình tạo cần nhiều tài nguyên tính toán. Đánh giá khả năng render tại chỗ hoặc trên Cloud sẽ là điều cần thiết khi áp dụng.

AI generative 3D phát huy tốt nhất vai trò là nhân tố tăng cường cho việc xây dựng bố cục cấu trúc và bổ sung tài sản, thay vì thay thế hoàn toàn sự sáng tạo của con người. Bằng cách tự động hóa công việc nền tảng trong tạo dựng thế giới, các nhóm doanh nghiệp có thể tập trung ngân sách cho các yếu tố tương tác và logic mang lại giá trị kinh doanh.