回到前面的话题，我们已经进一步攻克了vibecoding的门槛，连大型3D游戏这种级别项目的门槛都已经攻克了。」
「3D游戏要求数以亿计的像素和逻辑指令在每一帧都绝对一致。当友商的生成式AI还在做演示Demo，做独立小游戏的时候，我们的领先至少是两代。」
「也许是本质的差距。」
坐在旁边的Pony想到了腾讯内部工程师们测试太初时的震惊，所有人都说不可能。按照他们内部的判断，vibecoding大致能分成三个阶段。
当前的碎片化阶段，可以用Cursor写简单的脚本，用ReplitAgent搭建Web应用，或者用Midjourney生成素材。
但ai只能处理点，不能处理线。
它能写一段战斗逻辑，不能处理一个拥有10万行代码、涉及复杂内存管理的3D引擎架构，它会因为上下文遗忘迅速把项目变成垃圾。
下一个阶段是架构涌现阶段，当技术突破了长上下文推理与形式化验证的深度结合后，ai能够像资深架构师一样，理解代码库之间的深层耦合。
它不再是猜下一段代码，而是通过模拟运行来推演最优解。
此时，一个人带一群ai确实可以做出类似《原神》规模的单机版雏形，但成本极高，依然需要大量的人工微调。
而太初已经是第三个阶段了，ai不再是编写代码来模拟物理，而是它本身就理解物理。
而且太初消耗的Token数，远远低于他们的预计。
太初得益于两方面的技术突破，一方面是林燃从数学角度解决了一致性困境，另外一方面就是得益于NS方程有解了。
构建3D世界也好，2D世界也好，你都要面对现实中最难处理的逻辑之一，流体动力学。
无论是大气环流、水流波动，还是烟雾弥散，它们的本质都是N—S方程。
在传统游戏开发中，用的是模拟，也就是通过各种简化算法去骗过人眼，需要通过CF
D来求解N—S方程。
当前像英伟达的Modulus或者是Deepmind的相关工作，都是用物理信息神经网络来简化解NS方程的步骤。
AI通过深度学习记住N—S方程的特征，充当
本章未完，请点击下一页继续阅读！