在《上古卷轴5》发售十四年后，游戏中的一个细节仍萦绕在Feeling AI创始人戴勃心头：玩家历经千辛万苦成为龙裔、战友团队长，甚至盗贼公会会长，回到雪漫城时，城门口的守卫却依然像初次见面般机械重复着对话。这种“缺乏活人感”的体验，成为他创立公司的核心驱动力。
这种机械感在战斗场景中尤为明显。NPC的攻击模式存在可预测规律，玩家甚至能通过背刺等技巧实现“无伤通关”。戴勃团队开发的MemBrain（记忆）与CodeBrain（规划）系统，正是为了破解这一行业难题。这两个模块并非刻意设计，而是在动态交互世界开发过程中自然衍生出的技术突破。
Feeling AI的初始目标构建一个用户与AI共同演化的虚拟世界，每个角色都具备独立记忆、性格和行动逻辑。但在早期开发中，团队发现现有技术无法支撑这种复杂交互：NPC能进行简单对话，却无法连贯记忆前情；能生成行动计划，却无法应对环境变化。核心瓶颈在于角色的记忆整合与动态规划能力不足。
MemBrain系统通过三方面创新实现突破：采用多智能体协同架构打破线性记忆流程，让语言模型深度参与推理过程，并建立精确到秒的时间戳管理系统。该系统在LoCoMo和LongMemeval测试中分别取得93.25%和84.6%的准确率，在隐性画像捕捉任务中超越现有方案12个百分点。即将发布的1.5版本将提供可视化工具，开发者可直观观察记忆处理过程。
CodeBrain系统则通过引入自校验模块解决规划可靠性问题。在Terminal-Bench 2.0全球基准测试中，该系统以72.9%的完成率跻身前十，成为唯一入围的中国团队。开源版本将支持多语言、Monorepo感知等特性，并将20个底层操作整合为标准化工具包，显著降低开发成本。
技术突破背后是团队对世界模型的独特理解。戴勃将系统架构分为三层：逻辑层处理记忆规划，表现层负责视觉呈现，动态层实现思维到行为的转化。这个中间层被视为当前行业最缺失的关键模块，其核心挑战在于现有生成模型本质上是视觉相关性预测，而非物理规律建模。
团队提出的解决方案是将物理先验融入模型底层。通过IKGT算法（交互动力学基础变换器），系统在CPU上实现300FPS响应速率，连续运行40分钟无动作漂移，并具备100%状态重置能力。这种设计使模型推理过程可解释，避免了传统黑盒模型的不可控性。
技术验证历经四年迭代：2022年实现流体粒子系统预测，2023年攻克多层衣物动态模拟，2024年通过极简数据训练完成材质泛化，2025年将仿真技术延伸至真实自然环境。在花草树木动态模拟中，模型能准确预测不同风力下的摆动轨迹，甚至能模拟花朵被按压后的弹性回弹。
面对世界模型与具身智能的融合趋势，戴勃认为完整架构将率先在游戏领域闭环。团队自研的视频运动数据提取算法，通过“合成数据保量、真实数据保质”的策略，计划在2026年下半年完成首阶段规模化，并开放API接口打通三层架构。这种从第一性原理出发的技术路线，使Feeling AI在“盲人摸象”的行业竞争中确立独特定位。
