一个持续活着的 AI 世界，到底难在哪？

在《黑客帝国》里，The Matrix最可怕的地方，不是它能生成一个逼真的世界，而是可以让这个世界一直运行。 红绿灯照常切换，汽车驶过街口，尼奥可以推开任意一扇门，走进任意一条街，只有当规则偶尔失效、系统露出破绽，人们才会意识到，眼前的现实其实是一套代码。 二十多年后，实时世界模型已经开始靠近这个想象的一部分。模型可以实时生成道路、建筑和人物，用户也可以进入其中移动、探索，甚至直接改变接下来发生什么。但今天的实时世界模型，还很难做到基础的一点：让这个世界持续存在。 爱诗科技最新发布的通用实时世界模型 PixVerse R2，值得关注的也在这里。它并不是简单增加某一种玩法，而是尝试把移动、改写、叙事和角色互动放进同一个持续运行的实时世界里。 上线后，PixVerse R2 迅速登上twitter 热度总榜第二名的位置，获得了海外用户极高的关注度 从用户能够感知到的体验看，大致可以拆成三层。 第一层是实时探索。 相比今年年初首发的PixVerse R1主要通过提示词改变后续画面，R2加入了方向移动、镜头控制、跳跃等更接近游戏的操作。比如在一段滑雪Demo中，人物可以持续向前滑行，也可以随时改变方向。随着视角和路线变化，远处的雪道、山体和环境继续生成。 第二层是实时改写世界。 用户不只决定“往哪里走”，还可以在世界运行过程中继续改变它。例如让R2生成一个繁华都市的街头夜景，用户可以临时要求下雪，也可以让一名路人出现并上前问路。模型需要尽量保留原有街道、人物和空间关系，同时把新的天气、角色和事件加入其中。 第三层是持续叙事和角色互动。 在互动Demo《Zero Mark - 零印法师》中，玩家可以在场景里漫游、召唤怪物、许愿，也可以与其中的角色直接交谈。模型不仅要决定下一帧长什么样，还要记住人物身份、剧情进度和此前发生过的事件。 为了支撑这些体验，R2还增加了一层更底层的能力：多模态、低延迟输入。文字、语音、图片参考、方向键和镜头控制可以共同进入系统，而不同信号对应不同的响应速度——转向、移动需要即时反馈，复杂文本指令则可以留给模型更长的处理时间。 这些能力单独看都不算新，真正的难点在于，它们要同时作用在一个持续的世界状态上。 这也是实时世界模型真正值得想象的地方。 如果一个生成出来的世界能够持续存在、接受人的输入，并根据新的行为不断往前演化，它就不再只是生产视频的工具，而可能成为一种新的数字环境。游戏不必预先写完所有地图和剧情，影视内容可以随观众选择实时展开，数字人、虚拟空间乃至机器人的训练环境，也可以从“被提前制作”变成“边运行边生成”。 The Matrix当然仍是遥远的科幻想象，但通往那种世界的第一步，或许并不是把画面做得更逼真，而是先让一个生成出来的世界真正“活下去”。 一个世界为什么很难既聪明，又跑得足够快？ R2被定义为“实时世界模型”。 “实时”意味着，这个世界不是提前生成完再交给用户，而是跟着人的操作继续往前走；“通用”则意味着，它不只服务于某一种场景。用户可以在里面移动、转向，也可以临时改变天气、加入角色，或者让故事继续发展。 通用实时世界模型每生成一步，都要把刚刚发生过的事情带到下一步里，这条路在哪里、这个人是谁、刚才发生了什么、用户现在又想做什么。 时间越久，链路越长，技术上面临的难度就越大。 一方面是“一致性”。 模型需要记住越来越多过去的信息。一个角色不能走出镜头再回来就换了衣服，一栋建筑不能转过身就消失，已经发生过的剧情也不能被下一轮生成覆盖掉。前面的输出还是后面的输入，一个小错误如果没有被及时纠正，也可能一路积累下去。 另一方面是速度。 世界越复杂，需要同时维护的状态越多，计算量也越大。但实时交互留给模型的时间非常有限。生成视频慢十几秒，用户可以等；聊天模型停顿一两秒，也还能接受。但如果按下方向键后，几分钟人物才开始移动，这个产品就很难再被称为“实时”。 过去两年，不少团队都在模型能力和速度上做取舍。 Google DeepMind在2025年发布的Genie 3，已经可以用720p、约24帧的速度实时生成环境，并把一致性维持数分钟。用户也可以临时改变天气、加入物体。但DeepMind同时承认，它目前能够处理的动作空间仍然有限，多角色交互和更长时间运行也没有完全解决。 Odyssey选择了另一种方式。Odyssey-1最快可以做到约40毫秒生成一帧，并连续运行5分钟以上。为了让世界不那么容易在长时间生成中“跑偏”，团队主动把后训练的数据分布收窄了一些。但代价也很直接，模型更稳定了，但能处理的世界更窄。 World Labs在做RTFM时，要求单张H100上就要达到可以交互的帧率。但这个要求反过来影响了整个系统设计，它没有让模型无限读取此前所有画面，而是只调取与当前位置有关的空间记忆，以控制上下文和计算量。 这些方案技术上并不一样，但背后的逻辑是一致的：实时不是模型做好之后再考虑的性能指标，而是一条从一开始就存在的预算线。多少算力、多少延迟，基本决定了模型能记多久、世界能做多复杂、用户可以做多少事情。 很多时候，先决定的不是“世界能有多大”，而是“机器能不能跑得动”。 这也是为什么过去不少实时世界模型最终都会在某个地方做减法：缩窄场景、减少动作、限制持续时间，或者降低模型规模。这背后基本是同一个思路：把系统压进实时的计算预算里，再在剩下的空间中增加能力。 R2想尝试的是另一种解法。 根据爱诗科技公开的技术路线，它先扩大模型能够处理的任务、模态和时间尺度，再想办法把同一个模型压进实时运行的延迟范围，而不是一开始就针对某个场景训练一个更小、更窄的模型。 这并不意味着通用和实时之间的矛盾已经被彻底解决。R2在复杂场景细节、物理一致性和更长时间运行上，仍然有明显的提升空间。但它最起码验证了一件事，一个实时世界，不一定先要把自己做小。 R2没有缩小城市，而是换了建城的顺序 R2背后，爱诗做了一个反直觉的选择。与其一开始就在速度和能力之间找一个折中点，不如先把两个问题拆开：基础模型只负责把世界做得足够复杂；等模型学会了，再解决怎么让它跑得足够快。先穷尽能力边界，再攻克效率边界。 R2主要有两个核心训练阶段。 第一阶段是Omni Causal AR。爱诗先训练一个统一的因果世界模型，让它吸收更多视频、任务和交互轨迹，同时把文本、参考图、声音、WASD等性质差异很大的信号，放进同一套模型中处理。 这一阶段的核心是Scaling。R2的Scaling并不只发生在参数规模上，而是同时扩展五个维度：模型容量、数据、任务、控制信号和时间尺度。训练对象从几秒钟的独立视频，延伸到连续长视频和多轮交互；模型需要学习的，也从“下一帧长什么样”，变成“在此前已经发生这些事情之后，世界接下来应该如何变化”。 这首先会带来两个现实问题。 一个是，不同指令发生在不同的时间尺度上。按下方向键之后，几十毫秒内就需要得到反馈；但一句“让天空开始下雪”，影响的却可能是之后数秒的世界。如果把所有交互都切成相同长度的生成单元，要么简单动作响应过慢，要么复杂事件无法完整展开。R2因此引入Dynamic Chunk，让方向移动等简单操作使用更短的生成单元，完整事件则保留更长的时间窗口。 另一个问题是记忆。世界持续运行之后