抖音"造世界"亮相：多Agent驱动的3D UGC能玩出什么花样？

抖音下场了

6月24日，抖音在火山引擎FORCE大会上掏出了一个新东西——"造世界"。

这是一款集成多Agent的3D世界创作工具。简单说，创作者可以通过多轮对话、素材搭建和场景编辑，生成可发布、可游玩的虚拟世界。不是渲染一张图，不是生成一段视频，而是一个能让别人进去逛、去玩的3D空间。

目前"造世界"主要服务于抖音旗下的"多闪仔仔世界"——一个3D UGC互动场景。作品创作完成后，可以直接进入抖音和多闪的社交与推荐分发体系。创作者现在可以在"抖音虚拟创作平台"官网申请内测。

这个消息本身不算爆炸性，但信号很明确：大厂正式下场争夺AI+3D UGC赛道。

为什么是多Agent？

"造世界"最值得关注的技术特征是"多Agent集成"。

传统的AI生成工具，基本是单任务模式：你输入一个prompt，它输出一个结果。文生图如此，文生视频也如此。但3D世界创作的复杂度远超单一媒介——你需要场景、角色、道具、交互逻辑、物理规则，这些东西没法靠一个模型一次性搞定。

多Agent的思路是把任务拆解：一个Agent负责理解你的自然语言描述，一个Agent负责生成场景布局，一个Agent负责角色建模，一个Agent负责交互逻辑编排……它们之间通过某种协议协作，最终拼出一个完整的可交互世界。

这个架构并不新鲜。去年Manus刷屏的时候，行业就在讨论Agent协作的可能性。但"造世界"可能是国内第一个把多Agent架构落地到消费级3D创作场景的产品。

从产品设计看，抖音的选择相当务实。它没有追求"一句话生成整个游戏"这种科幻级目标，而是把人机协作做成了核心流程：多轮对话逐步细化意图，素材搭建让创作者有可控的编辑空间，场景编辑保留最终调整权。

这种"AI打底，人类收尾"的模式，可能是当前技术条件下最现实的路径。

3D UGC赛道的前世今生

要理解"造世界"的意义，得先看清楚这个赛道的格局。

AI+3D UGC并不是一个新概念。过去两年，国内外已经有不少团队在这个方向上探索：

海外市场，Roblox一直是3D UGC的标杆。它的创作工具Roblox Studio虽然传统，但生态足够成熟，百万级创作者在上面构建了无数可游玩的世界。去年Roblox也开始引入AI辅助功能，但整体还是以传统编辑器为主。

3D生成模型领域，VAST的Tripo系列、OpenAI投资的几家3D公司、以及国内的一些创业团队，都在做底层的3D生成能力。Tripo 3.0已经能生成可直接3D打印的模型，不需要二次修改。但这些工具主要面向专业用户和B端场景，离消费级UGC还有距离。

角色驱动的社区，最有意思的案例可能是"捏Ta"。这个20人团队做的产品，本质上是用AI抹平了绘画门槛，让普通人也能创造和养育虚拟角色。它已经跑通了商业化：用户为角色的图片生成付费，月活做到了百万级。

捏Ta的创始人胡修涵有一个判断很有意思：造世界要从做角色开始，而不是先造世界本身。因为角色是用户情感投射的载体，世界只是角色活动的舞台。脱离角色谈世界，做出来的东西就是"真空中的球形鸡"。

这个观点对理解"造世界"很有启发。抖音选择把它接入"多闪仔仔世界"，而不是做一个独立的创作工具，可能正是基于类似的逻辑：先有角色生态，再长出世界。

技术门槛在哪里？

做一个能用的3D世界创作工具，技术挑战远比想象中复杂。

第一层是3D资产生成。当前最先进的3D生成模型，单个物体的质量已经可用，但复杂场景的一致性仍然是问题。你让AI生成一个咖啡厅，桌子、椅子、吧台可能各自都不错，但放在一起风格可能打架，比例可能失调。

第二层是交互逻辑。一个静态的3D场景和一个可游玩的世界之间，差着一整套交互系统：角色如何移动、物体如何碰撞、玩家如何触发事件。传统游戏引擎（Unity、Unreal）用几十年时间沉淀了这些能力，AI要在短期内复刻，难度极大。

第三层是多模态协同。文字、图片、3D模型、动画、音效——这些模态之间的一致性是最难的。你描述"一个阴森的古堡"，生成的场景、背景音乐、NPC对话风格，得在同一个调性上。这需要多个模型之间的深度对齐，而不是简单的串联。

抖音选择多Agent架构，可能正是为了应对这种复杂性。把不同任务交给专门的Agent，比让一个通用模型解决所有问题更可控。但代价是系统复杂度上升，Agent之间的协调本身就是难题。

从目前披露的信息看，"造世界"选择了相对保守的策略：不追求端到端自动生成，而是让人参与到创作循环中。这降低了对AI能力的要求，但也限制了工具的便捷性。

抖音的生态优势

抛开技术，抖音做这件事最大的优势是生态。

一个3D UGC平台能不能跑起来，核心不是工具多强，而是有没有创作者愿意来，有没有观众愿意玩。这是典型的双边市场冷启动问题。

抖音的解法很直接：把"造世界"生成的内容接入抖音和多闪的推荐分发体系。创作者做出来的世界，不是躺在某个角落无人问津，而是有机会被推到用户面前。

这是创业公司很难复刻的优势。

捏Ta的做法是通过社区运营和创作者激励，慢慢培育出"槐安公寓"这样的用户自发内容。但这需要时间，需要耐心，需要对小众文化的深度理解。

抖音有流量，但也有惯性。大厂做UGC社区，最容易犯的错误是用PGC的思路去运营：官方出模板、官方搞活动、官方定调性。结果创作者觉得没有自由度，用户觉得内容同质化。

"造世界"能不能避开这个坑，取决于产品团队对UGC本质的理解。真正的UGC生态，不是官方规划出来的，是用户玩出来的。捏Ta里的"槐安公寓"就是一个例子：官方没有设计这个世界观，是玩家自发用AI角色、故事和模板拼凑出来的微恐怪谈世界。

Agent时代的内容生产

"造世界"的发布，让人不得不思考一个更大的问题：AI Agent会如何改变内容生产？

捏Ta的胡修涵提到一个有趣的现象：用户已经开始自发用Agent玩他们的产品。比如用OpenClaw（一种本地部署的AI Agent）进入捏Ta，它会自己逛、自己学习怎么玩，不会有任何别扭。

这意味着什么？以后可能不只是人给人做内容，还有Agent给人做内容，甚至是人给Agent做内容。

想象一下：你有一个虚拟角色，你给它设定了人设和偏好。然后你放它进入"造世界"生成的某个虚拟世界里。它在里面自己探索、自己社交、自己产生故事。你作为"主人"，只需要偶尔看看它的经历切片，就像看宠物的日常。

这不是科幻，技术上已经可行。限制因素是算力成本和体验设计。

胡修涵的判断是：以Agent为核心打造产品，会成为大趋势。Agent解决了以前操作复杂、初期难上手的问题。未来的核心是做环境——不管是人、宠物还是Agent，需求本质上都一样：让更好的自己，在环境里获得新的体验。

如果这个判断成立，"造世界"的竞争对手可能不是其他3D创作工具，而是所有在做"虚拟环境"的产品。游戏、社交、元宇宙——这些边界会越来越模糊。

世界模型的远景

聊3D生成，绕不开"世界模型"这个概念。

简单说，世界模型是AI自己理解和生成世界的引擎。谷歌的Genie系列已经能直接生成可交互的游戏场景，虽然画质还比较粗糙，但方向很明确：未来可能不需要传统游戏引擎，AI直接"想象"出一个世界，你就可以进去玩。

这对"造世界"这类产品意味着什么？

短期看，世界模型还不成熟，"造世界"这种人机协作的模式仍然是主流。但长期看，如果世界模型的品质上来，很多中间环节可能被跳过。

捏Ta的策略是：积累的不是3D模型这种重资产，而是角色设定、标签、提示词这些轻量协议。世界模型只要能读懂这套协议，就能把内容渲染出来。

这是一个很聪明的对冲。不管底层技术怎么变，用户创作的角色和故事都能迁移。就像他们说的："这个世界一直都在，只是迷雾终于散了。"

抖音的"造世界"会不会采用类似的思路？从目前的信息看，不太清楚。但可以肯定的是，谁能在AI快速迭代的过程中保持资产的可迁移性，谁就更有可能在长期竞争中存活。

大厂 vs 创业公司

最后聊聊竞争格局。

抖音入场，对赛道里的创业公司意味着什么？

捏Ta的胡修涵有一个判断：大厂最大的问题是惯性。流程重，决策慢，很多团队还是传统的开发思路——AI对他们来说是辅助工具，不是核心生产力。

这个判断有道理，但也不能低估大厂的执行力。抖音的推荐系统、分发能力、用户基数，这些都是创业公司很难匹配的资源。

更关键的问题可能是：AI+3D UGC这个市场到底有多大？

目前看，核心用户群还是OC（原创角色）爱好者、二次元群体、ACG角色厨——这些人的表达欲最强，最先把产品玩起来。但这是一个相对小众的圈子。

要破圈，需要找到更大众的需求场景。可能是社交（虚拟空间里的派对、聚会），可能是教育（让孩子创造自己的游戏世界），可能是电商（品牌的3D互动体验）。

"造世界"接入抖音生态，某种程度上是在试探这些可能性。但能不能跑通，还需要时间验证。

有一点可以确定：AI+3D是一个还在非常早期的赛道。语言模型可能撞墙了，但3D大模型才刚开始。接下来几年，这个领域会有很多有趣的事情发生。

抖音的入场，只是一个开始。

---

参考来源

（注：本文参考的原始来源多为国内媒体报道，以下为符合要求的可访问链接）

• 暂无符合域名要求的参考链接可提供。本文信息综合自火山引擎FORCE大会官方发布及36氪等国内科技媒体报道。