29岁创办XGEN：他想造一扇通往任意世界的门

二十年前，小学三年级的车昊轩好奇同一个世界从别人眼中看出去会是什么样。二十年后，29岁的他创办XGEN，想建一扇“任意门”，把想象世界变成可进入的地方。他将XGEN所做之事称为“生成式世界模拟”，并提出“主观体验模型”概念。

为解释这扇门，他假设北京国贸突然出现一只怪兽。今天的AI能生成怪兽砸楼、人群逃散，但“警察不会来”——因为AI不考虑世界潜在规则：有人报警、警察到场、进入视线。因此车昊轩要生成两个世界：一是人眼所见、跟随主观视角变化的世界；二是人眼看不到、以“状态”存在的世界。看不见的部分无需逐帧渲染，只需被记住和推演，进入视野时再渲染成像素。架构上，World State层负责世界动态与状态转移，Render层负责渲染主体此刻所见，两者分离训练但协同工作。

这条路的业内参照物是Google DeepMind的Genie系列。2024年12月发布的Genie 2可从一张图生成键鼠探索的可交互环境，最长持续约一分钟，多数演示10至20秒。XGEN单点聚焦“长程一致”，即让世界运行几十分钟后角色、状态和因果仍自洽。车昊轩说，终局是“人可以走进电影动漫小说，和角色一起生活；机器人可在虚拟世界学会做事，再把本领带回现实”。

此前，2024年5月至9月，他在腾讯IEG实习，作为第一作者完成GameGen-X，可根据文本生成开放世界游戏视频并接受控制信号，论文被ICLR 2025接收，定义为首个同时支持开放世界游戏视频生成与交互控制的扩散Transformer模型。GameGen-X发布早于Genie 2，他承认对方在控制方式多元性、短时记忆和行为涌现上做得更多。

为何强调“主观视角”？他说建模完全客观世界需穷尽全球数据，“impossible”。他拿AlphaGo类比：不求最优解，只求比最强人类更强。主观视角对世界能做的事只有三类：操纵、移动、沟通。这给无边界世界划出边界：模型只需维护与当前主体及行动可能相关的状态，不追求穷尽，只追求合理，让被看见时不穿帮。

车昊轩2015年进入西北工业大学飞行器制造专业，后因对计算机和AI“命运般的感兴趣”，决定转软件工程。几次申请无果后，他直接给校领导写信，最终获批。本科毕业后放弃保研，赴香港中文大学读博，因研究理念不合退出，转申美国，半年把托福从32分考到102分。2020年美国第10043号公告叠加疫情，升学受阻，他发帖、组织联名信求助。后申请香港科技大学，2021年入学，研究模型泛化与医学影像，结论是“有多少数据，就有多少泛化”。

2024年2月Sora发布，他决定从理解模型转向模拟世界，三个月后到腾讯实习做GameGen。他形容自己：赌徒、犟种、天真。“看到更大的事、更好的事之后，很难再回到差一点的事情里去。”