全球游戏地图总面积已超过1.5亿平方公里，但每一寸地形都靠美术团队手工刷出来。SIGGRAPH 2026的一篇论文，把这件事交给了扩散模型。
过去几十年里，程序化世界生成一直依赖柏林噪声这类算法。它们跑得快、范围无限，但在真实感和大尺度一致性上存在根本缺陷。你能生成一座山，但山和山之间的地质关系完全不对。扩散模型倒是够逼真，却只能生成有边界的画布。你让Midjourney画一张无限地图试试？它做不到。
InfiniteDiffusion论文提出了一个概念叫“不可能三角”：无限延展、无状态生成、学习型真实感，你只能三选二。扩散模型占了真实感，古典噪声占了无限和无状态，但没人能同时拿下三个。直到现在。
具体怎么做到的？InfiniteDiffusion本质上是一个训练无关的算法，它把扩散模型的采样过程改成了懒加载计算。你只请求某个坐标区域，它就只算那一片，不碰别的。内部维持一个有限的LRU缓存做性能优化，不需要持久存储，也不依赖外部状态。这意味着任何扩散模型都能被改造成一个无限大的、逻辑上无状态的数组，只靠种子和坐标就能索引，支持常数时间随机访问，完全确定，而且可以极端并行。
论文对比图很直观：MultiDiffusion必须在预定义的边界内老老实实先生成整块画布，而InfiniteDiffusion没有这个限制。画质几乎没有折损，却多了无限延展的能力。
这才是真正有意思的地方——他们把扩散模型做成了程序化噪声的接口形态。几十年行业习惯了“要么用柏林噪声搭基础，要么让艺术家手动补细节”的工作流，这条路线被打破了。程序化生成从一个数学工具问题，变成了机器学习问题。
为了验证这套方案，论文团队做了Terrain Diffusion，第一个学习型程序化地形生成框架。它的接口长得跟程序化噪声一样，但底下跑的全是扩散模型的推理。在一个消费级GPU上，生成速度跑到轨道速度的9倍。所谓轨道速度，是地球遥感里卫星过境采集数据的速度基准。这意味着你能实时交互式地刷地形，每一帧背后都在跑扩散模型。
框架里还叠了几层关键组件：用层次化的扩散模型把行星尺度的宏观语境和局部细节耦合起来，用地形版的拉普拉斯编码压缩地球级动态范围，让输出在超大尺度上依然稳定，还有一个开源的无限张量框架，负责用恒定内存处理无限大的数据结构。这几样东西如果分开看，每件都是过去两年生成式AI领域争论焦点的工程答案。
目前能跟无限生成沾边的路线只有自回归外推。但自回归的问题非常致命：它需要维护一个共享的全局状态，这就把决定性和随机访问全堵死了。你不能随便跳到地图上某个坐标去看那一块长什么样，因为没有历史状态就推不出来。InfiniteDiffusion完全绕开了这条路。
这件事的影响不止在地形。论文说得很清楚，这套方案用在任何扩散模型上都是一样的——图片、视频、材质、三维场景。只要模型能采样，就能改成无限懒加载版本。基础设施层的改变，往往比模型层更安静，但更持久。
热门跟贴