من "مشاهدة فيديو مولّد بالذكاء الاصطناعي" إلى "اللعب بيديك في عالم مولّد بالذكاء الاصطناعي" — ما يفصل بينهما في الحقيقة هو عقبة تتعلق بـ"الزمن الحقيقي".
في 15 أكتوبر 2026، أطلقت كونلون وانوي رسميًا أول لعبة نموذج فيديو عملاق في العالم تعمل على كرت شاشة استهلاكي واحد — Matrix-Game 4.0. لقد بنت Matrix-Game 4.0 نموذجًا باراديميًا جديدًا لنماذج عالم الألعاب: محرك اللعبة يحافظ على حالة العالم وقواعد التفاعل، بينما يعرض نموذج توليد الفيديو المشاهد الدقيقة في الوقت الحقيقي. لقد وضع تجربة اللعب في الزمن الحقيقي بدقة 480p ومعدل 60 إطارًا في الثانية داخل كرت NVIDIA RTX 5090 واحد؛ فمن لحظة ضغطك على الزر حتى استجابة الصورة تكون مدة الاستجابة أقل من 150 مللي ثانية. وللمرة الأولى، تمكنت Matrix-Game 4.0 من إتمام حلقة مغلقة كاملة: "الشيفرة تولّد منطق اللعبة ← الصور البنيوية توفر قيودًا بنيوية ← نموذج الفيديو يرندر في الوقت الحقيقي"، مما يمنح تطوير نماذج الألعاب الأولية والتخصيص الشخصي وUGC مسارًا تقنيًا قابلًا للتطبيق فعليًا. وقد تم فتح مصدر المشروع في الوقت نفسه.
رابط المصدر المفتوح
رابط المصدر المفتوح على Huggingface: https://huggingface.co/Skywork/Matrix-Game-4.0
أولاً: من سطر شيفرة إلى عالم قابل للعب — الركائز الأربع لـ Matrix-Game 4.0
1. الزمن الحقيقي على كرت واحد: إخراج "نموذج الفيديو القابل للعب" من المختبر
كان توليد مشاهد الألعاب في الزمن الحقيقي على كروت شاشة استهلاكية هدفًا يصعب تحقيقه — إذ جعلت شهية نماذج توليد الفيديو للقدرة الحاسوبية محبوسة طويلًا في عناقيد متعددة الكروت داخل المختبرات.
جاءت إجابة Matrix-Game 4.0 على شكل مجموعة من المؤشرات الصارمة: كرت NVIDIA RTX 5090 واحد، واللعبة تعمل بدقة 480p بمعدل 60 إطارًا في الثانية؛ من ضغط اللاعب للزر حتى استجابة الإطار الأول، زمن الاستجابة من الطرف إلى الطرف أقل من 150 مللي ثانية؛ وسرعة التوليد المستقرة لخطوة إزالة الضوضاء الواحدة تبلغ 83 إطارًا في الثانية، مع ذروة استهلاك ذاكرة الفيديو 18.5 GiB.
تعني هذه الأرقام أن الألعاب المدفوعة بنماذج الفيديو تمتلك لأول مرة قيمة عملية للنشر المحلي والتفاعل في الزمن الحقيقي — فلم تعد مجرد فيديو عرض مُرندر دون اتصال، بل لعبة يمكنك الجلوس أمام الحاسوب واللعب بها فعليًا.
2. باراديم Harness الجديد: جعل حالة العالم تُ"دار" فعليًا
أعادت Matrix-Game 4.0 تعريف العلاقة بين نموذج الفيديو والعالم: يقوم وكيل البرمجة Coding Agent ببناء ألعاب خفيفة عبر الشيفرة، ويعمل المحرك بوصفه "الحَكَم" في الحفاظ المستمر على حالة العالم وتنفيذ قواعد التفاعل، مع إخراج صور بنيوية وشروط دلالية ديناميكية؛ ويتولى نموذج الفيديو دور "الرسّام" في تحويل الأشكال الهندسية البسيطة إلى مشاهد غنية.
القيود الخارجية للمحرك وتصحيحه المستمر تجعل حالة العالم قابلة للصيانة المستمرة، وقواعد اللعبة قابلة للتعريف الدقيق، وأسلوب اللعب قابلًا لإعادة الكتابة باللغة الطبيعية — وهذه هي مسألة "هل يُدار العالم بجدية فعلًا" التي لم يحلها باراديم Genie أبدًا بحق.
3. ربط البيانات والتدريب وزمن التشغيل: مسار هندسي قابل لإعادة الاستخدام
من جمع أزواج البيانات (صورة بنيوية - صورة دقيقة)، والوسم الدلالي الديناميكي، إلى تدريب الفيديو المتحكَّم به، والتقطير الانحداري الذاتي قليل الخطوات والاستدلال في الوقت الحقيقي، تمر الشروط الهندسية والدلالية الموحدة عبر كامل السلسلة التقنية.
توفر هذه العملية أساسًا هندسيًا لتوسيع سيناريوهات وتفاعلات وأساليب لعب جديدة: تقليل الاعتماد على إنتاج أصول 3D دقيقة، وتمكين التطوير والتكرار السريع لنماذج الألعاب الأولية، ونقل شعار "حتى الفرق الصغيرة تستطيع بناء العوالم" من الشعار إلى الواقع.
4. الإطلاق مع فتح المصدر في الوقت نفسه: جعل المبدعين "يلعبون" فعلًا
فتحت Matrix-Game 4.0 مصدرها بالتزامن مع إطلاقها، مقدمةً للباحثين والمطورين والمبدعين أساسًا تقنيًا قابلًا لإعادة الاستخدام وشيفرة لعبة قابلة للتعديل. وبالجمع مع Coding Agent، يمكن للمبدعين تعديل المشاهد وتخصيص التفاعلات وتصميم أساليب اللعب عبر اللغة الطبيعية — خافضين عتبة البحث والإبداع إلى مستوى سطر Prompt واحد، ليصبح المزيد من الأفكار ألعابًا يمكن تجربتها شخصيًا وتطويرها باستمرار.
ثانياً: ثلاث عقبات جوهرية: لماذا العالم "القابل للمشي" ليس "ممتعًا"؟
عند النظر إلى نماذج العوالم التفاعلية من الجيل السابق، لم تكن المشكلة قط في جودة الصور — فقد كانت قادرة بالفعل على توليد مشاهد جميلة بما يكفي. العائق الحقيقي كان مخبأًا في مستويات أعمق. وإذا فككنا نهار الجيل السابق، نجد ثلاث مشاكل لم تُحل قط.
1. غياب آلية مستقلة وقابلة للتحقق للحفاظ على حالة العالم
في غياب محرك خارجي يحافظ على حالة صريحة، كان الوجود المستمر للمشاهد والأجسام يعتمد أساسًا على التمثيلات الداخلية للنموذج وذاكرته التاريخية. يمكن للنموذج أن "يتذكر" الصور التي رآها سابقًا، لكن هذا لا يعني أن المطور يستطيع قراءة حالة كل جسم وتعديلها والتحقق منها بدقة، كما يصعب ضمان استمرار تطور الشخصيات والأحداث خارج مجال الرؤية وفق القواعد المحددة.
2. يصعب ضمان الاتساق في التفاعلات الطويلة
يعتمد التوليد الانحداري الذاتي على النتائج السابقة، وقد تنتشر الانحرافات المحلية وتتراكم مع التفاعل المتواصل. عندما يستكشف اللاعب لفترة طويلة، أو يعود مرارًا إلى المكان نفسه، أو يدخل الأجسام ويخرج من مجال الرؤية عدة مرات، فقد ينحرف هيكل المشهد وهوية الأجسام ونتائج التفاعل. إن توسيع السياق وإدخال آليات الذاكرة يمكن أن يحسن هذه المشاكل، لكنه لا يوفر ضمانات اتساق طويل الأمد بمستوى الألعاب.
3. مشهد التفاعل المعقول لا يعني قواعد لعب موثوقة
يمكن للنموذج توليد مؤثرات بصرية مثل فتح الأبواب أو الاصطدام أو الهجوم، لكن اللعبة الكاملة تحتاج أيضًا إلى تسويات رقمية دقيقة — زيادة ونقصان الصحة، ملكية العناصر، تقدم المهام، وحسم النصر والهزيمة. هذه الآليات لا يجب أن "تبدو معقولة" فحسب، بل يجب أيضًا أن يستطيع المطور تعريفها وتعديلها واختبارها بشكل صريح، وأن تحافظ على اتساقها عبر العمليات المختلفة والتشغيل الطويل.
المشاكل الثلاث تشير في الحقيقة إلى الأمر نفسه: النهار الحالية تضع "العالم" في ذاكرة النموذج، بينما ما تحتاجه الألعاب هو عالم يمكن قراءته وتعديله والتحقق منه.
وهذه هي نقطة الانطلاق التي اخترت منها Matrix-Game 4.0 هذا الباراديم: "الشيفرة تبني اللعبة، والذكاء الاصطناعي يولّد الصور في الوقت الحقيقي" — فبدلًا من أن يكدح النموذج في تذكر العالم بأسره، يُعطى العالم حاملة صريحة وقابلة للصيانة.
ثالثاً: الباراديم الجديد: المحرك يدير العالم، والذكاء الاصطناعي يرسم العالم
حل Matrix-Game 4.0 هو إلباس نموذج الفيديو "Harness" يتولى الحفاظ على حالة العالم — يوفر مدير الألعاب الخارجي مرجع التخطيط المكاني، ويدير حالة العالم، ويحدّث الديناميكيات الدلالية، فيستقبل نموذج الفيديو هذه السياقات وشروط التحكم بشكل موحد، ويولّد انحداريًا صورًا مستقبلية قصيرة وواقعية.
يتكون النظام بأكمله من ثلاثة وحدات بتقسيم واضح للأدوار:
المحرك مسؤول عن تسجيل "ما يحدث فعلًا" في العالم، وتحديد نتائج عمليات اللاعبين. لا يحتاج إلى تحمّل كامل لصناعة الصور الدقيقة، بل يصف الطرق والمباني والشخصيات والأجسام القابلة للتفاعل من خلال نماذج هندسية مبسّطة وبنية المشاهد؛ أما الحالات والقواعد كنقاط الحياة والحقيبة والجاذبية والتصادم وتقدّم المهام، فيتم صيانتها وتنفيذها بوضوح عبر الشيفرة، وليس استنتاجها من الصور المولّدة. مع عمليات اللاعب، يُحدّث المحرك العالم باستمرار ويُخرج صورة بنيوية، موفّرًا لفيديو الموديل قيود تخطيط المشهد وحركة الأجسام وزاوية الكاميرا. حتى لو خرج الجسم عن مجال الرؤية، تظل حالته تتم صيانتها من قبل المحرك وفق قواعد اللعبة.
الوكيل البرمجي مسؤول عن تحويل أفكار اللاعبين إلى لعبة قابلة للتشغيل. يمكن للاعبين طرح المتطلبات باللغة الطبيعية، من تعديل التضاريس وترتيب العناصر، إلى تعديل سلوك الشخصيات غير القابلة للعب (NPC) وتصميم أساليب لعب جديدة، وكل ذلك يُنفَّذ كإعدادات مشهد وشيفرة لعبة. مثلًا، "اجعل الوحوش تتدفق من كل الاتجاهات" لا يعني فقط ظهور المزيد من الوحوش في الصورة، بل يتطلب أيضًا تنفيذ مواقع التوليد وطريقة الحركة وسلوك الهجوم وشروط الفوز والخسارة. يمكن للوكيل البرمجي أيضًا المساعدة في تحديد دلالات المشهد وأسلوبه البصري: نفس المبنى المبسّط يمكن ضبطه كمنزل قديم على الساحل، أو كمتجر في مدينة مستقبلية — وهذه الأوصاف تُستخدم كشروط نصية لتوجيه التوليد البصري جنبًا إلى جنب مع الصورة البنيوية.
نموذج الفيديو مسؤول عن تحويل الصورة البنيوية إلى تجربة بصرية دقيقة: مع الحفاظ على بنية المشهد وقيود الحركة، يولّد الخامات والإضاءة والأجواء المحيطة وتفاصيل مظهر غنية، مما يقلّل الاعتماد على صناعة أصول 3D دقيقة عنصرًا بعنصر. فهو يجمع بين شروط التحكم الحالية والصور السابقة، ويولّد باستمرار بطريقة سببية ذاتية الانحدار، ويقصّر زمن الانتظار بين عملية اللاعب والاستجابة البصرية من خلال تقطير قليل الخطوات وتحسينات استدلال موجّهة لإعادة الرندر في الوقت الفعلي.
سير العمل في الوقت الفعلي: عملية اللاعب ← المحرك يحدّث حالة العالم ← إخراج الصورة البنيوية وشروط التحكم ← فيديو الموديل يرندر في الوقت الفعلي ← العرض للاعب
مفتاح هذا النهج هو فصل كيفية عمل اللعبة عن كيفية عرضها: الشيفرة تحمل القواعد، المحرك يصون الحالة، وفيديو الموديل يولّد الأداء البصري. وبدمج قدرات الإبداع لدى الوكيل البرمجي، يتيح Matrix-Game 4.0 لمزيد من الناس تحويل أفكارهم إلى ألعاب قابلة للعب والتعديل والتطوير المستمر بعتبة إنتاج أقل.
رابعًا: من البيانات إلى تسريع الاستدلال: سلسلة متكاملة مكتملة الحلقات
خلف "عالم لعبة" قابل للتشغيل في الوقت الفعلي تكمن القدرة على ربط ثلاث طبقات: البيانات، والتدريب، ووقت التشغيل.
البيانات: مجموعة بيانات محاذاة بين الصور البنيوية والصور الدقيقة مبنية لنموذج العالم
بنت الفريق مجموعة بيانات محاذاة عابرة للنطاقات بين الصور البنيوية والصور الدقيقة، موجهة لنماذج العالم وتوليد الفيديو، وذلك استنادًا إلى محرك Unreal Engine 5 (UE5)، وتغطي أربعة مشاهد نموذجية: مدينة CitySample العملاقة، وصحراء مفتوحة، وقلعة معقدة، ومعارك جوية عالية الحركية.
تقوم خطّة جمع تجريد هندسي خفيفة من تطوير الفريق، مع الحفاظ على تزامن مكاني-زمني دقيق بين مسارات الكاميرا والطوابع الزمنية، بتجريد المشاهد المعقدة إلى تمثيل بنيوي منخفض المضلعات يحافظ على الطوبولوجيا المكانية ووضعيات الأجسام الصلبة ومسارات الديناميكا، مع محاذاة بكسلية إطارًا بإطار مع صور سينمائية عالية المضلعات؛ وفي الوقت نفسه تلتقط بالتوازي معرّفات مثيلات الأجسام وحالات الرؤية والأحداث التفاعلية السببية، لبناء تدفق بيانات وصفية ديناميكي غني بالدلالات.
Caption الديناميكي: جعل الوصف يواكب اللعبة
في الألعاب التفاعلية، تتغير الصورة باستمرار مع عمليات اللاعب: بعد تدوير زاوية الرؤية تظهر أجسام مختلفة، وبعد الحركة أو تفعيل الأحداث تتغير حالة الأجسام أيضًا. يصعب على الوصف النصي الثابت عكس هذه التغييرات في الوقت المناسب.
يقدم Matrix-Game 4.0 Caption الديناميكي: يربط النظام معرّف الأجسام في المشهد بوصفها الدلالي، ويحصل من محرك اللعبة على الكائنات المرئية حاليًا وحالاتها اللحظية، ثم يملأ قالب المطالبة وقت التشغيل. توفر الصورة البنيوية معلومات بنيوية كالمواقع والتخطيط والحركة، ويضيف Caption معلومات دلالية مثل "ما الكائنات الموجودة في الصورة وما حالتها"، ويقيّد الاثنان معًا التوليد.
التوليد المتحكَّم والذاكرة المكانية
تم تحويل فيديو الموديل بناءً على Wan2.2 5B إلى نمط فيديو-إلى-فيديو (V2V): تُدمج الصورة البنيوية المُرندرة من المحرك مع الفيديو المراد توليده بالقنوات (مدخل من 148 قناة)، لتحديد للنموذج "ماذا يرسم وأين"؛ وتُدخل في الوقت ذاته مطالبة أحداث المشهد المُركّبة ديناميكيًا، وصورة مرجعية للذاكرة المكانية، والإطار الأول، لتتولى كل منها وصف التفاصيل، واتساق المشهد، وربط الصور.
شبكة نموذج الرندر: مدخل مدمج من 148 قناة، و30 طبقة DiT سببية، وانتباه ذاتي يقرأ K/V من الذاكرة المؤقتة، وانتباه تقاطعي يقرأ K/V النصي
تسريع الاستدلال: استثمار كل ملّيثانية
لكي يتحقق 60 FPS فعليًا على بطاقات الرسوميات الاستهلاكية، أجرى الفريق تحسينات هندسية واسعة: استخدام CUDA Graph لتسجيل مسبق حسابات جذر DiT وإعادة تشغيلها بضغطة واحدة وقت التشغيل؛ كتابة GPU kernel مخصصة ومدمجة لـ RoPE والتطبيع والتكميم بـ FP8، مع تشارك Q وK وV لنفس الطبقة في تكميم المدخل مرة واحدة؛ إعادة حساب KV للشرط النصي فقط عند تحديث Caption؛ تحويل KV لسجل الفيديو إلى ذاكرة مؤقتة حلقية؛ تقسيم الانتباه الذاتي حسب نافذة KV وحسابه بالتوازي؛ واستبدال المشفّر/الفك بـ TAEHV الخفيف. وفي النهاية، يمكن أن يقيم المُرمِّز النصي وDiT وVAE جميعها على بطاقة RTX 5090 واحدة.
خامسًا: Coding Agent: بفكرة واحدة، تُعاد كتابة لعبة
ربما أكثر ما يُثير الإثارة في Matrix-Game 4.0 ليس جودة رسوماته، بل سهولة "تعديله".
بفضل الوكيل البرمجي (Coding Agent)، يمكن للاعبين تخصيص لعبتهم باللغة الطبيعية انطلاقًا من شيفرة اللعبة الحالية: من تعديل التضاريس وترتيب عناصر المشهد، إلى تعديل سلوك الـ NPC ومنطق تفاعلها، بل وتصميم أساليب لعب جديدة تمامًا.
لم تعد الأفكار الإبداعية عالقة في خط إنتاج أصول 3D، بل يمكنها الانتقال مباشرة إلى مرحلة "قابلة للعب والتطوير".
وهذا هو بالضبط المعنى العملي لهذا المسار التقني: مع التقدم السريع لمساعدي البرمجة بالذكاء الاصطناعي، انخفضت تكلفة بناء محركات ألعاب خفيفة بشكل كبير. كما نشجّع المبدعين على مواصلة التعديل والتوسيع انطلاقًا من شيفرة اللعبة التي يوفرها المشروع، لاستكشاف المزيد من أساليب اللعب معًا.
على مدار العام الماضي، حققت نماذج توليد الفيديو في تشغيل الألعاب إنجازات جديدة عديدة — لكن إمكانية تشغيلها على حواسيب اللاعبين العاديين مسألة أخرى.
من هذه الصورة المقارنة، في زمن الاستجابة من الطرف إلى الطرف: Code World Model حوالي 10.2 ثانية، وStreamRender-H3 حوالي 545 ملّي ثانية، وAgentGarten حوالي 878 ملّي ثانية، بينما لا يتجاوز Matrix-Game 4.0 112 ملّي ثانية — من الضغط على مفتاح إلى استجابة الصورة، أي حوالي 1/90 من الأول، و1/5 و1/8 من الآخرين، ليدخل لأول مرة فعليًا في نطاق "اللعب في الوقت الفعلي".
فيما يتعلق بمتطلبات القدرة الحاسوبية، تتطلب الحلول الأخرى على التوالي 1× H200 سعة 141GB، و8× GB200، وبطاقة مركز بيانات 1× H100، بينما يعمل Matrix-Game 4.0 فقط على 1× RTX 5090 — أي كرت رسومات استهلاكي بذاكرة 32GB يكفي.
من حيث المصدر المفتوح: Code World Model وStreamRender-H3 مفتوحان بالكامل، وAgentGarten مفتوح جزئيًا، بينما Matrix-Game 4.0 مفتوح بشيفرة وأوزان ووحدات بيضاء في آن واحد.
سادسًا: المصدر المفتوح ليجعل المزيد من الناس "يلعبون" معًا
طرح Matrix-Game 4.0 كمصدر مفتوح عند إطلاقه، لتزويد الباحثين والمطورين والمبدعين بأساس تقني قابل لإعادة الاستخدام وشيفرة لعبة قابلة للتعديل. كما نشجّع المبدعين على مواصلة التعديل والتوسيع انطلاقًا من شيفرة اللعبة التي يوفرها المشروع، لاستكشاف المزيد من أساليب اللعب معًا.
في المستقبل، سيواصل الفريق تطوير النموذج: نشر refiner لرفع دقة الصورة، واستكشاف تجربة لعب جماعي متعدد اللاعبين مع الحفاظ على اتساق المنظور بين اللاعبين، وتوفير تحكم أدق في الصورة، وتوسيع الدعم لمزيد من أنواع الألعاب والمشاهد.
من "فيديو قابل للتحكم" إلى "عالم قابل للتشغيل"، قد تكون هذه الخطوة أهم مما تبدو. إنها تعني انخفاض عتبة الإبداع، وتوسّع حدود الخيال.