阿瑞是一名参与内测的游戏策划（化名）。他想做的并非模仿经典的坦克大战，而是一款“打击感爆棚”的版本：常规炮弹换成核弹，地图每局自动刷新，被击毁的墙体还能在特定时间内重新生成。构思看似不复杂，真正棘手的是要把这些规则集成到一个能实际运行的原型中。
需求交给Spellcaster后，一个可玩的版本迅速成型：坦克具备移动和射击功能，核弹落地会引发明显的范围爆炸，地图上的障碍物也随战斗进程变化。最初只是“希望体验更刺激”，最终却形成了一套可供直接体验的规则体系。
阿瑞的原型目前仍在持续优化。过去，这种情况几乎无法实现，但现在不同了。
核弹坦克的范围爆炸效果
为什么过去无法实现呢？阿瑞的经历并非孤例。游戏开发涉及编程、美术和策划的协同合作，AI即便能生成代码，也不代表就能打造出可玩的游戏。代码、规则、数值及素材各自独立，组合时却可能遭遇无法通关的关卡——这也是AI游戏生成中的“可玩性困境”。Spellcaster的目标，不仅限于生成代码，而是要创造出真正可玩的游戏。两者有何区别？Spellcaster的工作原理如何
以游戏开发者的视角，其工作流程包含四个阶段：
首先进入创世阶段。描述游戏类型、玩法和核心规则，系统将其转化为可运行的原型，并在同一流程中整合关卡与素材。
接下来是迭代环节。直接指令“降低跳跃高度”或“赋予双跳能力”，AI能精准定位并修改相应模块。这一过程无需翻阅代码，更像与策划团队沟通交流。
第三步是修复bug。系统结合错误提示和运行表现锁定问题；即便出现“此处无法跳跃”的反馈，也能针对性地优化相关部分，无需全盘推倒重来。
最后是素材配置阶段。素材生成与匹配融入同一流程，避免了工具频繁切换，同时力求角色、场景和玩法风格保持一致。
从构思成型到获取可玩原型，平均只需15分钟。
意外收获：AI开创了人类未设计过的玩法
遵循上述流程，还意外诞生了一个所有人都未曾预料到的成果。
内测期间，系统生成了一款坦克大战游戏。坦克并未发射炮弹，而是挥动炮管进行近身搏斗，但移动、碰撞和攻击判定均能成立，游戏也能顺利推进。DarwinMind团队将此版本确保留用：AI偏离了常规设计，却探索出一条真实可玩的新路径。对原型开发来说，往往最宝贵的正是这种未经预设的意外发现。
坦克挥动炮管近身攻击
越来越多的人能实现类似成果
2025年，湖北开发者周一忱以《奶奶》记录下与祖母相处的点滴日常。极简的像素画面虽无复杂技术，却承载着只有创作者本人才能诉说的记忆与情感。
Spellcaster期望让更多此类表达得以实现：具备想法却缺乏完整开发能力的人，也能将脑海中的世界转化为屏幕上真正可玩的作品。
世界模型之后，制作游戏或将不再以编写代码为起点
Spellcaster当前的工作方式，对开发者而言并不陌生：AI负责生成代码和素材，游戏引擎负责运行和渲染。这种方式提升了原型开发效率，但一款游戏仍需经历“规则写入—项目构建—画面渲染”的传统流程。
世界模型是团队明确的技术方向。它不再要求开发者预先编写所有可能的变化，而是基于当前场景、角色状态和玩家操作，即时推演后续发展并生成相应游戏画面。
这并非播放预先录制的视频。玩家向左移动与向右移动时，世界模型接收不同的输入，随后生成的场景、事件和反馈也会随之变化。游戏开发的重心，或将进一步从“持续修改代码和重新构建”，转向“设定世界，并立即观察其如何回应玩家”。
支撑这一技术路线的，是团队在智能体与世界模型领域的长期积累。Spellcaster背后的DarwinMind（杭州达迩文智能）长期深耕多智能体系统与世界模型方向，核心成员分别来自浙江大学、南京大学和澳大利亚国立大学，联合创始人中包含多位浙江大学博士生导师，长期从事世界模型、多模态大
网友评论