想象一下，你能将一颗完整的星球握在手中。那是一个拥有从未存在过的山脉的世界，海岸线向地平线的各个方向无限延伸。一位独立科学家在这里发明了一项令人难以置信的技术。首先，这是一个真正无限的地图生成器。这个面板展示的区域大约相当于刚果这样的国家大小，数百万平方英里的土地。如果你不断放大这些区域中的任何一个，画面会一直延伸下去，永无止境，令人惊叹。
虽然许多示例是在《我的世界》中展示的，但根据所使用的游戏引擎不同，它可以生成完全连续的世界。但这还不是最精彩的。其次，这个生成器还具有学习能力。稍后我们会详细解释为什么这如此惊人。等等，先别急。我们已经有地形生成程序了，而且数量众多。那么，这真的是全新的技术吗？
确实存在基于噪声构建地形的现有方法。这些方法可以向各个方向无限生成，但它们缺乏有机感。它们显得过于均匀、重复性太强。它们只是在无计划地生成新内容，缺乏对整个星球的大尺度连贯性。因此，这些方法实际上并不具备“学习”能力。这是追求速度的代价。
或者，还有基于人工智能的方法。这些方法确实可以学习。没错，你可以将地球真实地形的统计分布喂给它们，让它们生成相似但不完全复制的内容。哦，这太神奇了。但遗憾的是，它们的效率相当低。为什么呢？因为新生成的每个区域都依赖于世界中的其他所有区域。只有这样你才能获得连贯性，它必须了解一切情况。哦，但这在速度上是个噩梦。
这花费的时间太长了。所以，要在学习和速度之间二选一？这是过去40年的故事。但这项新研究本质上将两者融合为一种兼具双方优势的技术。这真的可能吗？在使用噪声创建虚拟世界40年后，有人想到了更好的方法吗？让我们来看看。各位学者朋友，这是由卡罗伊·佐尔奈-费赫尔博士带来的《两分钟论文》。
这个关键公式非常精妙。首先，它使用扩散模型来创建这些地形。就像今天的图像生成AI系统一样，它从噪声开始，然后慢慢将其重组为图像。但这一概念现在被适应到了地形生成上。好吧，这是一个很酷的构建模块，但这并不新鲜。现在，真正的 brilliance 来了。
这个公式告诉我们一个新的区域 R 应该是什么样子。它说：“询问一批与区域R重叠的窗口，对每个窗口进行去噪处理，然后取它们的加权平均值。”换句话说，模糊地结合那些能看到这个位置的邻居的意见，而忽略其他人。现在，这真是天才之举。为什么呢？因为只询问邻居，它将查询的成本与世界的规模解耦了。
简单来说，随着你生成的世界越来越大，该技术并不会变慢。嗯，这是一个惊人的特性。例如，它让你可以瞬间传送数百万英里之外。太酷了！我很喜欢。但是，我们遇到了一个问题。问题在于真实的地形跨度巨大的高度差，比如从海沟到珠穆朗玛峰。巨大的变化幅度。然而，真正让地形看起来像地形的部分只有几英尺高：山脊、河岸和各种纹理。
扩散技术无法同时处理这种情况。它们要么专注于微小的地形变化，要么关注巨大的山脉，但不能同时进行。那么我们该怎么办？现在，第二个天才想法登场了。这被称为“高度图的拉普拉斯重提取去噪”。诀窍在于：“不要将高度作为原始信号进行去噪。”不，先生。
听好了。想象一下拍摄站在山脚下朋友的照片。嗯，如果你把山脉框在镜头中，人就会变成一个小点。那么，当然要把焦点放在人身上。嗯，如果你这样做，你就看不到任何山脉了。那么我们该怎么办？好吧，这就是拉普拉斯技巧的精髓所在。准备好了吗？
首先，你拍摄一张山脉的完美照片。然后，你在自己的尺度上单独拍一张人的照片，这样你就能看清他们了。接着，你把这两张照片合并在同一张照片中。是的，现在你保留了关于两者的所有细节。非常好。这就是该技术在数学上所做的操作。这也是该技术如何在多个尺度上生成地形的方式。
因此，最终山脉和小溪拥有了平等的表现机会。终于出现了一种高效的技术，它既能学习地球或其他类型的数据，又能生成新的星球。而且听着，随着我继续阅读论文，它变得越来越好。现在，各位学者朋友请抓紧你们的文件了，因为这项研究仅用了两周时间就在4年前的消费级GPU上交互式运行。
代码和《我的世界》模组免费提供。这就是开放科学的力量。生逢此时，何其有幸。而且这是由一位独立科学家完成的。该论文发表在SIGGRAPH上，这是计算机图形学领域最负盛名的会议。这真是令人难以置信。这有点像独自参加奥运会，没有团队支持，却赢得了一枚金牌。是的，一位独立科学家。这是一个惊人的成就。
而他只是免费将这一切分享给我们所有人。非常感谢你，并致以热烈的祝贺。我经常使用Lambda在几分钟内复现AI研究论文。训练你自己的模型或微调现有模型也非常棒。运行推理，无论是文本到图像还是视频，都轻而易举。运行深度求索聊天机器人或代理也超级快速、可靠。Lambda为你提供强大的Nvidia GPU来运行你自己的实验。
我测试我在论文中覆盖的想法，片刻之后就能看到结果。>> [喷鼻息声] >> 太棒了。真的，现在就去 lambda.ai/papers 试试看吧。