Mehrspieler im KI-Traum: Warum Weltmodelle den Spielserver neu erfinden
KI-Weltmodelle wie Genie erzeugen spielbare Welten, aber jeweils nur für einen Spieler. Sobald mehrere Menschen dieselbe Welt sehen sollen, braucht es einen gemeinsamen Spielzustand, den eine Instanz verwaltet. Wir haben elf Projekte von Multiverse bis zur neuen vor.tech-Beta verglichen: Fast alle landen bei der Architektur, die Counter-Strike seit 25 Jahren nutzt.

Darum geht es
Googles Project Genie, Odysseys Modelle und Overworlds Waypoint funktionieren ähnlich: Du drückst eine Taste, und ein KI-Modell erzeugt das nächste Bild einer Welt, die es nur in seinem „Kopf“ gibt. Man spricht von Weltmodellen, also KIs, die vorhersagen, wie eine Umgebung als Nächstes aussieht. Das klappt bisher für genau einen Spieler. Laut einer Analyse des Spielestudios StraySpark zu Genie 3 ergeben zwei Anfragen zwei verschiedene Welten. Ohne Determinismus, also ohne garantiert gleiche Ergebnisse, gebe es weder kompetitive Shooter noch Koop-Rätsel noch „irgendeine Art von autoritativem Server“.
Mehrspieler-Weltmodelle müssen dieses Problem lösen. Wir haben elf Projekte verglichen. Unsere These: Fast alle trennen inzwischen den gemeinsamen Spielzustand von der Bilderzeugung. Damit erfinden sie den klassischen Spielserver neu. Der Unterschied: Die Spielregeln sind gelernt und nicht programmiert.
Warum geträumte Welten zerfallen
Ein Weltmodell merkt sich die Welt nur über die Bilder, die es zuletzt erzeugt hat. Sieht ein Spieler einen anderen nicht mehr, existiert dieser andere für das Modell praktisch nicht mehr. Die Forscher der New York University schreiben in ihrem Minecraft-Projekt Solaris offen, das Modell verliere den gemeinsamen Kontext, „wenn Spieler das Sichtfeld des anderen verlassen“. Das MASS-Paper beschreibt dasselbe Problem: Getrennte Bildverläufe derselben Welt können „auseinanderdriften“, gleichzeitige Ansichten widersprechen sich dann.
Die erste Generation versuchte, das Problem mit roher Gewalt zu lösen. Sie erzeugt alle Ansichten gemeinsam in einem Modell:
- Multiverse von Enigma Labs, trainiert auf gut vier Stunden Gran Turismo 4, setzt laut Air Street Press die Ansichten zu einem Splitscreen zusammen. Die Auflösung liegt bei 48×64 Pixeln pro Spieler, danach rechnet ein zweites Modell das Bild hoch.
- Solaris reiht die Bild-Tokens beider Spieler aneinander und lässt sie über „Multiplayer Self-Attention“ Informationen austauschen.
- MIRA von General Intuition, Kyutai und Epic Games (Rocket League, vier Spieler) packt laut Neurohive alle vier Ansichten in ein Raster. Das 5-Milliarden-Modell läuft mit 20 Bildern pro Sekunde auf einer Nvidia B200.
- γ-World von Nvidia und Partnern senkt mit sogenannten Hub-Tokens die Kosten der Abstimmung zwischen den Spielern von quadratisch auf linear. Das Modell schafft 24 Bilder pro Sekunde und wurde mit Daten für zwei Spieler trainiert, funktioniert aber auch mit vier.
MIRA zeigt, dass gemeinsames Erzeugen funktionieren kann: Ein Auto, das aus einem Bild fährt, bleibt in den anderen erhalten. Die Autoren nennen aber selbst einen kurzen Kontext-Speicher, und Uhr und Spielstand driften. Das WorldCast-Team fasst den Grundnachteil zusammen: Die Rechenkosten wachsen mit jedem zusätzlichen Spieler.
Die Wende: Ein Zustand, viele Kameras
Der zweite Ansatz trennt zwei Aufgaben. Ein Modell rechnet aus, was passiert: Positionen, Lebenspunkte, Treffer. Ein zweites malt aus diesem Zustand, wie es aussieht, und zwar für jede Kamera einzeln.
- Agora-1 von Odyssey (Mai 2026) setzt das in einem GoldenEye-Deathmatch für vier Spieler um. Ein Modell lernt, wie sich Position, Gesundheit und Munition verändern. Ein Diffusions-Transformer (eine Bild-KI, die Bilder schrittweise aus Rauschen herausarbeitet) rendert daraus jede Sicht. Odyssey nennt das Zustandsmodell selbst „relativ einfach“.
- Khora von Ophilus hält alles auf einem gemeinsamen „Spatio-Temporal Board“ fest. Die öffentliche Demo erlaubt acht Spieler, gemessen hat das Team mit bis zu 80 Agenten.
- MASS (arXiv, August) übernimmt die Begriffe direkt aus der Spielebranche. Eine „Logic Engine“ führt einen „autoritativen“ Zustand fort, eine „Rendering Engine“ zeichnet jede beliebige Kamera.
- Agora-2 (September) spricht es am deutlichsten aus. Ein World Server fasst die Vorhersagen des Simulationsmodells zusammen, damit jeder Renderer „dieselbe Darstellung der Ereignisse“ erhält. Spielfiguren bleiben laut Odyssey im Zustand gespeichert, auch wenn gerade niemand sie sieht.
Genau so funktioniert seit Jahrzehnten ein autoritativer Spielserver. Gabriel Gambetta beschreibt es in seiner bekannten Netzwerk-Reihe so: Clients schicken nur Eingaben, der Server entscheidet und ist die einzige Quelle der Wahrheit. Manipulierte Clients können anzeigen, was sie wollen, das ändere aber nichts am Zustand des Servers, „den die anderen Spieler sehen“.
Der Vergleich
| Projekt | Spiel | Spieler | Gemeinsamer Zustand | Wo gerendert wird |
|---|---|---|---|---|
| Multiverse | Gran Turismo 4 | 2 | nein, gemeinsame Erzeugung | ein Modell |
| Solaris | Minecraft | 2 | nein | ein Modell |
| MIRA | Rocket League | 4 | nein | eine B200 |
| γ-World | virtuelle Umgebungen | 2–4 | nein, Hub-Attention | ein Modell |
| Agora-1 | GoldenEye | 4 | ja, gelernt | Cloud, Stream |
| Khora | Deathmatch | 8 (Demo) | ja, STBoard | k. A. |
| MASS | Snake | 1.024 Einheiten | ja, typisiert | eine GPU für alle Ansichten |
| Agora-2 | Diablo II | 4 Menschen + 16 Agenten | ja, World Server | 4 GPUs für 4 Spieler |
| WorldCast | Counter-Strike 2 | 2–16 | ja, aber dezentral | je Spieler eine H200 |
| vor.tech-Beta | Counter-Strike-Karte | bis 10 | ja, Server | eigene GPU (ab RTX 3080) |
Die Angaben stammen von den Herstellern und Autoren. Unabhängig nachgemessen hat sie bislang niemand.
Zwei Sonderwege: WorldCast und vor.tech
WorldCast (arXiv, Oktober) geht einen Schritt weiter Richtung klassisches Spiel und verzichtet ganz auf einen zentralen Rechner. Jeder Spieler hat einen lokalen Client mit einem Videogenerator auf Basis von Wan2.2-5B und einem Zustandsmodell, das die eigene Position aus Bild und Steuerung schätzt. Die Clients tauschen nur Positionen und Szenenzustand aus. Bei 16 Spielern sind das etwa 3,5 Megabit pro Sekunde und GPU. Getestet wurde mit echten Counter-Strike-2-Profi-Demos. Andere Spieler erscheinen damit in 81,7 Prozent der Fälle dort, wo sie hingehören. Bei Solaris sind es 5,6 Prozent. Pro Client misst das Team 23,4 Bilder pro Sekunde bei zwei Spielern und 18,7 bei sechzehn, jeweils auf einer eigenen H200.
Die Schwächen stehen im Anhang. Der Positionsfehler auf erzeugtem Video wächst innerhalb einer Minute von 1,49 auf 2,64 Körperbreiten. Treffer, Schaden und Tode bestimmt laut Paper „keine Komponente“. Und die Daten anderer Clients werden ungeprüft übernommen: Ein fehlerhafter Client verändert, was die anderen sehen. Genau gegen dieses Problem wurde der autoritative Server einst erfunden.
vor.tech hat die erste Mehrspieler-Beta gestartet, die man selbst herunterladen kann. Sie ist etwa 3 GB groß, kostenlos und läuft unter Windows und Linux. Mac ist laut Hersteller „ungetestet“. Bis zu zehn Spieler treten auf der Karte aim_map_usp_s an, im Modus 5 gegen 5, Deathmatch oder gegen Bots. Jedes Bild entsteht auf der eigenen Grafikkarte, mindestens einer RTX 3080, während „ein Server alle im selben Spiel hält“. Was der Server genau überträgt, verrät die Seite nicht. Trainiert wurde mit 3.958 Stunden Bot-Matches, die Videos haben 256×256 Pixel bei 16 Takten pro Sekunde. vor.tech warnt selbst: Das Bild drifte, und die Software könne abstürzen. Das Portal remio hat die Beta nicht selbst getestet und mahnt: Eine Szene könne überzeugend aussehen und den Spielern trotzdem unterschiedliche Gründe geben, sich zu bewegen oder zu schießen.
Latenz und Kosten: Was die Zahlen hergeben
Klassische Shooter verstecken Netzverzögerung mit Client-Prediction: Der eigene Rechner zeigt die Wirkung einer Eingabe sofort an und korrigiert sich, wenn die Antwort des Servers eintrifft. Bei Weltmodellen fehlt dafür bisher jede Messung. Keines der Projekte hat die Verzögerung zwischen Tastendruck und sichtbarem Bild veröffentlicht. Die vorhandenen Werte:
- Khora: 107 bis 117 Millisekunden reine Rechenlatenz, das Netzwerk noch nicht eingerechnet.
- Agora-2: etwa 57 Millisekunden pro Renderer-Aufruf, laut der Analyse von OrcaRouter. Die Live-Latenz wurde nicht gemessen, 30 angezeigte Bilder pro Sekunde sind ein Ziel und kein Messwert.
- MASS: 45,55 Millisekunden pro Schritt der Logic Engine. Das reicht für 20 Takte pro Sekunde, ist aber mehr als das Zehnfache der einfachen Vergleichsmodelle mit 3 bis 4 Millisekunden.
- WorldCast: Die Clients gleichen sich in Blöcken von einer Sekunde Video ab und schätzen dazwischen. Netzverzögerung, Schwankungen und Paketverluste wurden nicht untersucht.
Bei den Kosten ergibt sich ein deutliches Bild. Der Spielzustand ist billig: Die Logic Engine von MASS hat 5,66 Millionen Parameter, das Simulationsmodell von Agora-2 laut OrcaRouter etwa 4,5 Millionen. Teuer ist das Malen. Der Agora-2-Renderer hat etwa 1 Milliarde Parameter, und eine Sitzung mit vier Spielern belegt vier RTX-PRO-4500-Karten. Khora meldet 2.741 Ansichtsbilder pro Sekunde bei 80 Agenten. Nachgerechnet sind das gut 34 Bilder pro Sekunde und Spieler, auf nicht genannter Hardware. MASS rendert 1.024 Ansichten in 842 Millisekunden, also rund 0,8 Millisekunden pro Ansicht. Das gilt allerdings für Snake-Gitter mit einem kleinen U-Net und nicht für fotorealistische 3D-Szenen.
Unsere Einschätzung: Pro Spieler braucht man heute ungefähr eine GPU. Lokale Ansätze wie vor.tech und WorldCast verschieben diese Last nur auf den Rechner des Spielers. remio formuliert es so: Die Rechenarbeit wandert, sie verschwindet nicht.
Unser Fazit
Die Entwicklung bestätigt die These weitgehend. Wer mehr als zwei Spieler zuverlässig in einer Welt halten will, braucht einen ausdrücklich gespeicherten, gemeinsamen Zustand, und meist einen Server, der darüber entscheidet. MIRA und γ-World zeigen, dass gemeinsames Erzeugen für wenige Spieler noch funktioniert. Agora-2, Khora, MASS und vor.tech setzen aber alle auf die Trennung von Zustand und Bild. WorldCast verteilt diese Trennung auf die Clients und erbt dadurch das Vertrauensproblem, das klassische Spiele längst gelöst haben.
Damit relativiert sich das Versprechen „Spiele ohne Engine“. Die Übergänge lernt das Modell, aber was zum Zustand gehört, legt weiterhin ein Mensch fest. Bei MASS braucht jedes Spiel ein eigenes Schema, einen eigenen Tokenizer und eigene Gewichte. Agora-2 füttert seinen Renderer mit einem genau gegliederten Vorspann aus Kartenausschnitt, Figuren und Effekten. Die Trainingsdaten stammen ausnahmslos aus Spielen mit klassischer Engine: GoldenEye, Diablo II, Counter-Strike. Unsere Einschätzung: Es entsteht ein hybrides Gebilde aus einem kleinen, gelernten Server und einem riesigen, gelernten Grafiktreiber.
Offen bleiben drei Fragen. Wie fühlt sich das Spielen mit echter Netzverzögerung an? Was kostet eine Stunde Spielzeit pro Spieler? Und funktioniert das auch für Spiele, die nicht vorher mit einer Engine gebaut und aufgezeichnet wurden? Wer es selbst ausprobieren will, findet die vor.tech-Beta auf vor.tech/play.
Quellen
- arXiv: MASS – Multiplayer World Models with Authoritative Shared State arxiv.org
- MASS – Volltext (HTML) arxiv.org
- arXiv: WorldCast – Distributed Multiplayer World Models arxiv.org
- WorldCast – Volltext (HTML) arxiv.org
- VOR.TECH: Multiplayer Open Beta vor.tech
- VOR.TECH: Startseite und Datensatz vor.tech
- remio: vor.tech Multiplayer Beta Uses Local World Models remio.ai
- Odyssey: Introducing Agora-1 odyssey.systems
- Odyssey: Introducing Agora-2 odyssey.systems
- OrcaRouter: Agora-2 Multiplayer World Model Preview orcarouter.ai
- AlphaSignal: Odyssey's Agora-2 Lets 20 Players Share One AI-Generated World alphasignal.ai
- The Decoder: Agora-1 turns GoldenEye into a playable AI simulation the-decoder.com
- Air Street Press: Odyssey Starchild-1 and Agora-1 press.airstreet.com
- Ophilus: Introducing Khora ophilus.ai
- arXiv: Solaris – Multiplayer Video World Model in Minecraft (HTML) arxiv.org
- Hugging Face: Enigma-AI/multiverse huggingface.co
- Neurohive: MIRA simuliert Rocket League neurohive.io
- Nvidia Research: γ-World research.nvidia.com
- arXiv: Gamma-World arxiv.org
- arXiv: MultiGen arxiv.org
- Gabriel Gambetta: Client-Side Prediction and Server Reconciliation gabrielgambetta.com
- StraySpark: Genie 3 World Model vs Game Engines strayspark.studio
Frag den KI-Assistenten
Fragen zu diesem Artikel, zur Installation oder zu Hintergründen? Unser Assistent kennt diese Seite und läuft auf unserem eigenen Rechner, nicht in einer fremden Cloud.
Der Assistent ist eine KI (Gemma 4) und kann sich irren – wichtige Angaben bitte in der Quelle prüfen. Fragen werden nur zum Beantworten genutzt und nach einer Stunde gelöscht. Bitte keine persönlichen Daten eingeben.
Kommentare
Was meinst du dazu? Schon ausprobiert? Schreib es hier, ohne Anmeldung.
Kommentare sind öffentlich. Links sind nicht erlaubt, beleidigende Beiträge löschen wir. Deinen eigenen Kommentar kannst du in diesem Browser jederzeit wieder löschen. Mehr dazu in der Datenschutzerklärung.