AI視頻的下一步會是什么？

更快？更清晰？更可控？這些點都很明確了，

但我確實兒沒想到，我26年先看到的會是這樣一個，

能夠一邊打字一邊實時生成的新視頻生成模型，也可以叫實時世界模型，

Pixverse R1

可能我這么說，大家還感受不太到，直接給大家看一個case。

試玩demo https://realtime.pixverse.ai/

這個過程最頭皮發(fā)麻的地方在于，世界是連續(xù)的。

不是重新生成了一個新視頻，而是在剛剛那個世界的基礎(chǔ)上，實時地為林克裝備了一把武器。這感覺就像你在玩游戲時，突然擁有了開發(fā)者權(quán)限，可以隨時用語言為游戲增加新的元素。

這段演示里還有一個細節(jié)，當指令變得復(fù)雜，比如讓怪物追趕林克時，怪物的行為會有些笨拙。

這種不完美反而證明了它不是一段預(yù)設(shè)好生成好拼接好的AI動畫，

而是一個真的擁有初步物理和行為邏輯的世界。

可能它的清晰度還不太完美，

但仔細想想從360p的AI視頻畫質(zhì)到穩(wěn)定低價的1080p，我們只用了18個月。

所以我根本不擔心這個問題，我關(guān)心的是它在根據(jù)我的指令，實時地進行演算。

這種可被觀察的演算過程，正是它與傳統(tǒng)AI視頻最大的不同。

修的都不是同一個體系，而且從他們技術(shù)報告上看，這個視頻能自己無限期演下去。

技術(shù)報告 https://pixverse.ai/en/blog/pixverse-r1-next-generation-real-time-world-model

R1叫世界模型，3D模型也叫世界模型，Banana2也叫世界模型，

用人話來說，世界知識就是給生成內(nèi)容裝上一個能自洽的底層引擎，讓它不止能把畫面長得像，還得把因果，物理，常識都對上號。

經(jīng)得起推敲的，不會穿幫的，能按照你模糊的提示語補充細節(jié)的。

打開Demo，打開麥克風，就這樣一邊說話，R1一邊就把劇情全出了。

聲畫一體的Sora和Veo都很強大，創(chuàng)作流程基本上也都是許愿-等待-開獎。

當我寫下一段幾百字的咒語，點擊生成，然后就是盯著進度條等。幾分鐘，甚至十幾分鐘后，才能打開那個盲盒。運氣好，開出神作；運氣不好，人物崩了，物理飛了，只能自認倒霉，回頭再去改那段天知道哪里不對的咒語，然后開始新一輪的抽卡。

Veo3.1還可以用json約束一下，但很多別的視頻模型還是要慢慢磨自然語言。

Pixverse這個就給我一個很新的感受，

它的整個過程其實有點像是導(dǎo)演在現(xiàn)場指揮演員。

你可以設(shè)想一下，在一個電視劇或電影的片場，演員在表演時，導(dǎo)演有時會在畫外音中進行一些實時指導(dǎo)，告訴演員如何去演、做哪些動作，或者表情哪里不到位。

這樣的實時指導(dǎo)就非常像我現(xiàn)在用PixVerse R1的感覺，通過打字告訴視頻，我需要接下來的這個人物去進行怎樣的動作，或者進入到什么樣的場景。

這種交互體驗真的蠻能圓我導(dǎo)演夢的。

比如這個太空駕駛的場景，

一連串的文字像寫劇本一樣，實時駕駛著飛船逃離地球、飛向月球、遭遇神秘光線、最后被巨大的土星所震撼。我感覺自己不再是觀眾，而是第一人稱的導(dǎo)演。我輸入的每一個字，都像是在給飛船添加燃料，驅(qū)動著它飛向我想象中的下一幀。

再比如這個，直升機飛越巴黎時，輸入突然天空轉(zhuǎn)暗，電閃雷鳴，畫面立刻風云突變；接著輸入“遠處一個巨大的煙花綻放”，天空中真的就升起了一朵煙花，天氣也隨之轉(zhuǎn)晴。整個環(huán)境和特效都能配合著指令實時做出互動，是一個非常連續(xù)性的展示。

你就看這個Pixverse實機操作的錄屏界面，我感覺這玩意兒根本不只是一個視頻生成器，更像是一個可以被語言實時編程的微型世界。

我就好奇了，這背后到底是怎么做出來？為什么要做一個跟別人不一樣的？

我去啃了一下他們的技術(shù)論文，

用人話翻譯一下，R1能做到這個實時生成的效果，主要靠這三樣：

第一個是叫Omni的原生多模態(tài)大模型。

你可以把它想象成一個從小就同時學(xué)習了看、聽、說三種語言的天才。它不像別的模型需要把音視頻翻譯成文本才能懂，它天生就能在一個系統(tǒng)里，同時理解視頻、音頻和文字。這讓它的反應(yīng)快得像是本能。

第二個零件是一種叫自回歸的機制。

這東西就像一個擁有超強短期記憶的說書人，它永遠記得自己上一秒講了什么，所以下一秒的故事，總能和前面無縫銜接。這保證了視頻可以像一條無限的河流一樣，持續(xù)地連貫地生成下去。

最后，也是最關(guān)鍵的，是一種叫即時響應(yīng)引擎（IRE）的技術(shù)。

如果說傳統(tǒng)AI視頻生成，像是搭樂高，需要一步步拼接（幾十步的采樣），IRE就像是變魔術(shù)，它能直接預(yù)測出最終成品的輪廓，然后用極少的步驟（一到四步）就把它變出來。

這些正是它能實現(xiàn)實時交互的秘密武器。

所以，它到底用在哪？

我個人是感覺，PixVerse R1這類實時模型，并非要取代Veo們在敘事性短片創(chuàng)作上的作用。它們其實可以并駕齊驅(qū)，Sora們在追求成為頂級的電影工作流，

而R1正在努力成為一個充滿無限可能的互動娛樂引擎。

它真正開疆拓土的地方，在于那些極度依賴實時交互的領(lǐng)域。

比方游戲， 想象一下你走到NPC面前，不需要幾周目才能引導(dǎo)變化，不再是從預(yù)設(shè)的三個選項里選一句對話。你可以自由輸入任何你想說的話，NPC會根據(jù)他的性格和你們之前的經(jīng)歷，實時生成獨一無二的表情和互動場景，

我甚至可以開個上帝模式，對游戲世界本身下指令，

我希望我這個賽博釣魚佬可以回回上魚，那我真的要笑到合不上嘴了

也就是說，游戲，將從一個玩家只能被動體驗的故事，變成一個真正可參與的世界。

再再比方說互動電影，

現(xiàn)在去大商場體驗4D電影都要out了，我大膽想象一下，我可以擺脫A/B選項式的偽互動，隨時暫停，給主角下達一個全新的指令，別相信他，先看看他口袋里藏了什么，

然后電影會為你即時地生成一段新的故事脈絡(luò)，我就經(jīng)常在想要是故事不會結(jié)束就好了。

盜夢空間這個陀螺我是真希望能看到它停下來，被一個新的幕后之人拿起來

寫到這里，

我突然想到了一個可能離我們每個人都更近的使用場景。

你有沒有過這樣的經(jīng)歷？

做了一個無比清晰的奇幻夢，畫面感強到你自己都起雞皮疙瘩，

但我醒來后想跟朋友描述，搜腸刮肚用了無數(shù)的形容詞，要不就發(fā)現(xiàn)忘了，要不就是形容不出來，

什么叫我在鰲太線拿著四塊壓縮餅干在大爺海煮火鍋?。ㄎ抑两裥稳莶怀鰜砩衩貓@究竟在我腦子里留下了什么）。

這還能聯(lián)系上一個科學(xué)名詞，

夢境遺忘（dream amnesia）

夢大多發(fā)生在REM期（快速眼動睡眠）或臨近醒來的過渡階段，醒來屬于從一個腦狀態(tài)跳到另一個腦狀態(tài)，所以會出現(xiàn)一種典型的感覺，

就是我知道我剛剛看到了什么，但現(xiàn)在就是想不起來。

因為在夢里體驗的是視覺，空間，情緒，氛圍，象征感，但醒來我要把它壓縮成線性的句子的話，這個過程中會出現(xiàn)一種夢的不可言說感（dream ineffability）。

這時候想要最大程度保證夢不被遺忘，可以先寫關(guān)鍵詞，不要追求完整敘事，比如，銀色樓梯，潮濕的風，我逃跑的時候踩空了，也可以用感官描述替代抽象形容詞，光像浸水的霓虹、空氣里有鐵銹甜味、遠處的聲音像倒放的合唱。

說實話，我每天都在跟這種轉(zhuǎn)達的損耗作斗爭。

但R1這類實時模型的出現(xiàn)，

或許為我們提供了一種全新的表達方式。

它能讓我能把那個轉(zhuǎn)瞬即逝的夢境，用一種更直觀，更無損的方式復(fù)現(xiàn)出來。

它將創(chuàng)作的反饋周期從數(shù)小時甚至數(shù)天，壓縮到了零。

而這種即時反饋極大地釋放了我的實驗精神和表達欲望。

現(xiàn)在已經(jīng)可以排隊內(nèi)測了，

目前能體驗360p了，

過幾天還能用上720p，

趁著還沒收費之前，

我要多跑五六七八九十個。

@ 作者 / 卡爾

最后，感謝你看到這里如果喜歡這篇文章，不妨順手給我們點贊｜在看｜轉(zhuǎn)發(fā)｜評論

如果想要第一時間收到推送，不妨給我個星標

如果你有更有趣的玩法，歡迎在評論區(qū)和我聊聊

更多的內(nèi)容正在不斷填坑中……