梦瑶 发自 凹非寺

量子位 | 公众号 QbitAI

这年头，实时生成的世界模型越来越会「造世界」了。

画面更夯，控制更细，但一旦走到实时生成这一步，继续往上做能力，就会有个很难绕开的坎：

能力越强，实时越难守，整个行业也因此苦既要又要的增长难题久矣。

更麻烦的是，实时世界模型还得面对世界模型的共性难题，相比LLM，能力想沿着稳定路径持续增长也没那么容易。

然而，这个困扰行业多年的实时世界模型的老bug，如今，已经有厂商用实际模型完成验证并跑出了答案——

实时性和通用能力，世界模型可以全都要。

这个玩家的名字大家应该不陌生：爱诗科技。

其实今年1月的时候，爱诗就发布了首个通用实时世界模型R1，主打持续生成能力，当时直接在网上火出圈了一波。

就在这两天，全新的实时世界模型PixVerse R2，也上线了。

甚至一经上线，模型就直接冲到了X平台的热度总榜——

这回，R2直接把LLM里那套规模继续加、能力继续涨的Scaling逻辑，真正搬进实时世界模型里。

基于统一可扩展的世界模型框架，R2把完整的时空关系压进模型，让场景能够沿着时间持续演化，前后状态保持一致，让这个世界真正「记得住」。

不仅如此，R2还把文字、图像、声音、动作统一进模型，边生成边响应、音画同步，让世界真正「控得动」。

比如下面这个探险世界，用户不仅可以控制方向，还能基于Prompt控制场景角色，而且画面是实时生成的内种：

文章链接：
https://mp.weixin.qq.com/s/h-YfJ-3Vd1rKuwgsZtbhQA

当然，脑洞完全可以再大一点，比如游戏剧情也能DIY，一句指令就能改变眼前世界，世界剧情真·随意拿捏了：

文章链接：
https://mp.weixin.qq.com/s/h-YfJ-3Vd1rKuwgsZtbhQA

过去实时世界模型最大的难题之一，就是能力一旦往上堆，速度、稳定性和交互性往往也开始彼此拉扯。

当实时和通用能力同时成立，世界模型的能力边界和使用边界也会一起外扩，逐渐进入游戏、虚拟交互等场景。

一种新的数字世界底座，这回，开始有了成形的可能。

从Scaling到能力预算，实时世界模型连撞两堵工程墙

说实话，还真不能怪实时世界模型这么多年一直卡在能力增长这件事上。

主要在于，实时世界模型想把能力继续往上做，前面先横着技术工程上的两道「硬门槛」。

其中第一道门槛，便是整个视觉世界建模都绕不开的一道表征难题：「信息」到底该怎么被统一表示和建模？

虽同样都隶属模型大类，世界模型在这件事上的先天条件，其实真没LLM那么友好。。。

LLM里的第二个L，就是Language（语言）。

好巧不巧的是，语言其实在信息形态上天然就占了便宜，因为它可以被压缩成一套离散、序列化的符号系统。

在这套体系下，每个Token都是边界清晰的语义单元，海量文本都可以被统一成有限符号的排列组合，训练任务也被高度归一为「预测下一个Token」。

于是，数据、参数和算力都能沿着同一套框架持续扩展，资源投入也更容易稳定转化为能力增长，这正是LLM能够充分释放Scaling潜力的底层前提。

但扎心的是，到了世界模型这里，这套逻辑就没那么顺了。（doge）

因为图像和视频是一种连续、高维且高度冗余的信息形态，色彩、光影连续变化，单个画面就包含海量视觉变量，相邻像素和视频帧之间又存在大量重复。

此外，模型还得从这些原始信号中进一步抽取语义、状态变化乃至物理关系，信息结构远比文本复杂。

也因此，视觉领域长期缺少一套像文本Token那样紧凑、统一、可持续扩展的表征体系，视频模型想沿着同一条路径持续增长，天然要难得多。

△AI生成

当然了，这还只是第一层难题。

因为一旦再加上实时两个字，难度还会再高一档，这也是实时世界模型面对的第二层门槛：

模型容量和实时计算预算天然互相拉扯。

想维持稳定实时生成，每一帧留给模型的计算窗口可能只有几十毫秒，可世界模型想理解更多场景、更复杂的物理关系和更长程的时空变化，又需要更大的模型容量、更复杂的建模，以及更多计算。

这也解释了为什么，过去世界模型的扩展更多停留在局部能力上——

画质、时长、场景各自往前猛堆，却很难汇成一条稳定、统一的增长曲线。

这个两难问题，甚至早已被头部模型反复验证。

2024年，Google DeepMind 11B参数的Genie已经能生成可交互环境，但到了Genie 2，场景和物理能力继续增强，实时性却更难兼顾，想跑到实时往往需要以蒸馏为代价，同时还要牺牲部分画质。

换句话说，对实时世界模型而言，真正难的从来都不是单独把模型做大，或者单独把速度做快，而是让通用能力和实时运行能够同时成立。

△Google DeepMind Genie 2报告

PixVerse R2：实时世界模型终于有了自己的增长曲线

所以说到这儿，实时世界模型碰到的难题就很清楚了。

想把实时性和通用能力一起做上去，先得解决一个底层问题——更多数据、任务和交互信号，怎么持续进入同一套能力体系。

前面我们说过，LLM能够持续Scaling，一个重要前提，就是语言本身拥有相对统一的Token表示和序列建模方式。

但对于实时世界模型来说，模型面对的不只有视觉，还包括动作、音频、长短不一的时间尺度，以及不断进入的各种控制信号！！

这些信息的数据形态、时间粒度和作用方式都不一样，想让这些能力继续一起增长，首先就得把它们收进一条统一的建模主线里。

而PixVerse R2这次做的一件关键的事——

便是把视觉、动作、音频、时序以及不同控制信号，放进同一套可持续扩展的因果建模框架。

需要提一嘴的是，这里的Scaling可不单单指的是模型大小，还包括世界复杂度、控制力，以及怎么稳定运行～

更关键的是，当这些原本异构的信号开始被放进同一种表示体系里，复杂动态的世界也就有机会拥有一套类似语言Token的统一计算坐标系。

而这触及的也是Scaling最底层的问题——

新增的数据、任务和交互经验，能不能持续沉淀进同一个能力体系，并形成复利。

具体来说，R2把Scaling拆成了模型、数据、任务、控制信号和时间尺度五个彼此「协同增长」的维度。

模型规模决定容量，数据拓宽世界分布，任务强化跨场景迁移，控制信号增加交互精度，时间尺度则决定模型能把多长、多复杂的动态过程纳入建模。

任意一个维度增加资源，都能反过来增益其他维度，模型的整体能力就会上涨，不依赖单纯扩大参数量。

这也就意味着R2真正扩展的，已经开始从参数规模进入世界状态空间本身。

其实传统Scaling走到后期，一个越来越现实的问题，就是资源继续往上堆积，能力增益却未必还能同比例增长，新增算力和数据的边际收益开始变薄。

反观R2做的事情，更像是在世界模型身上重做投入产出逻辑，让每一份新增资源都拥有更多能力出口，最终更充分地沉淀为整体模型能力。

落到咱用户真实体验上，就是生成质量更高、长程一致性更稳、跨场景泛化更强，多模态控制也更细～

△AI生成

当然了，多说无益，这实时世界模型R2到底能不能打，我们直接看实际效果～

先插一句，这次R2相比上一代R1，能玩的东西明显更多了。

就比如我们不仅能在赛博世界中玩耍，甚至还能体验互动影游和实时数字人。

先来个小试牛刀，前阵子刚看完《奥德赛》，于是我索性一头扎进了一个奥德赛草原风格的世界里，现场勇闯一下：

真别说，多少有点玩家、导演、编剧三权合一内味儿了～（doge）

文章链接：
https://mp.weixin.qq.com/s/h-YfJ-3Vd1rKuwgsZtbhQA

WASD一按，视角和方向随便转动，Prompt一敲，角色动作、剧情走向也能直接改，可控性确实不错。

最重要的是，实际体验下来，几乎没有卡顿和延时问题，实际在场感确实强，实时性也确实丝滑。

接下来我们再上一波难度，直接玩一把互动影游，体验一把在魔法学院里魔法大乱斗：

文章链接：
https://mp.weixin.qq.com/s/h-YfJ-3Vd1rKuwgsZtbhQA

说实话，光看画面，还真有种穿越哈利波特电影里的感觉，确实蛮有大片感，画面质量过关～

但我最想说的，还不是画质，大家有没有发现，在这个互动影游里，眼前的世界是可以被你临时改写的。

比如直接在Prompt框里输入想使出的攻击魔法，下一秒画面就会顺着你的指令继续往下演，确实有点爽。。。

一段内容生成出来，实时性、画面、交互、记忆这些能力都能同时在线。

省下来的时间和精力，终于可以花在一件更重要的事上——到底想创造一个什么样的世界。

能力先拉满，实时再追回来

当然，问题也来了，R2到底是如何做到「实时」和「通用」能力既要又要的？

核心的答案，其实藏在其对底层技术路径的重新拆分上。

过去行业做实时生成底层技术设计，其实大多是在一笔固定的计算预算里「做减法」。

帧率和延迟一旦锁定，单帧算力预算也基本见顶。行业往往只能靠缩模型、减采样、压计算，把重模型塞进毫秒级窗口，生成质量、复杂运动和长程一致性也会随之受损。

但R2的一个关键技术设计思路是：让能力和实时分头强化。

先把基础模型的能力上限做高，再解决实时化，这样实时世界模型的天花板就不会过早被单帧计算预算锁死，而更多取决于底层模型本身能学到多少世界规律。

这也是R2整个技术体系里，Omni Causal AR和Real-Time Acceleration两层架构真正的分工，前者管能力上限，后者管实时性。

对于想持续Scaling的实时世界模型来说，一大难题在于模态、控制信号和时间尺度越加越多，建模很容易越做越碎。

所以第一步，Omni Causal AR先把短视频、长视频、多模态参考、音频和Action控制，统一进一套因果自回归框架——

通过动态Chunk适配不同时间尺度，再用Hybrid Teacher/Diffusion Forcing、多时间尺度记忆和Error Bank解决长程生成中的误差累积、角色漂移和状态断裂问题。

这样一来，新增数据、任务、控制信号和模型规模，都可以持续转化为更强的世界建模能力～

这边能力先做高之后，Real-Time Acceleration再接手第二道题——

把这套通用能力直接蒸馏进实时加速层。

持续预训练后，Omni Causal AR先把生成质量、长程状态和因果能力做扎实，再作为Teacher和Student共同的能力底座，让后续蒸馏尽可能沿用同一套世界理解逻辑，把这套能力更完整地压进实时预算里。

先造大脑，再给大脑做实时加速器，实时世界模型，这事儿成了。

说实话，爱诗能把实时世界模型在行业里率先跑出来，算不上太偶然。

长期面对亿级用户，意味着这家公司面对的一直都是真实世界里最难处理的那部分：

需求高度分散、场景持续变化、长尾永远收不完，模型每天都在被用户用各种意想不到的方式重新「考试」。

而世界模型最终要面对的，恰恰也是同一类问题：如何在一个持续变化、充满噪声、随时会被外部输入打断的环境里，维持状态、理解变化，并继续推演下一刻。

R2这种先放大能力、再单独解决实时效率的路线，也更像是长期产品实践和技术积累自然形成的一种架构选择。

当然了，更值得注意的是，这套架构一旦成立，它的外溢价值就很难只停留在视频生成层面。

在未来，内容生产、具身智能、虚拟人、游戏实时渲染，都可能逐渐汇向同一种底层能力：

持续理解环境、维持状态，并根据外部输入实时生成下一瞬间。

甚至在互动式娱乐市场这个生态场景里，这种变化可能会更明显。

剧情、场景和角色不再只是预先写好的固定内容，其会逐渐变成可以随着用户行为持续展开、持续变化的动态系统。

到那时创作者需要亲自定义的，也许会越来越少是某一帧、某一段资产，而越来越多地转向一个世界如何运转、角色如何行动，以及规则本身。

由此，互动娱乐真正进入的，可能是一个「内容不再被完成」的时代。

我们不再只是观看故事、操控角色、通关世界。

我们开始真正生活在一个会回应你、记住你，并因为你的存在而改变的数字世界里。