过去两年，见证了国产视频大模型的很多突破。

从底层模型到功能到效果，一点点对Sora完成了全方位的围剿。

直到2026年、到现在，最让我兴奋的，是 PixVerse R1。

有点像去年用上 DeepSeek R1 的感觉——这是把游戏规则改写了。

01. PixVerse给视频下了新定义

最牛的公司，有行业定义能力。

单论视觉消费的形态，好莱坞定义了电影，YouTube定义了互联网长视频，抖音定义了短视频。

站在2026年，我想说，PixVerse给AI视频下了新的定义。

按官方的说法，这是全球首个真正意义上的「实时生成世界模型（Real-time World Model）」。

之前两三年，AI 视频领域的主旋律其实非常单一。

大家都在卷：画质更高一点，时长更长一点，人物一致性再稳一点，镜头语言再像人类导演一点。

说重要当然重要，但它解决的是同一个问题：如何更好地“生成一个结果”。

PixVerse R1让我觉得，AI视频，不是AI生图的视频版，也不是什么换个平台看AI版的抖音，是一种新形态。

就像乔布斯定义的iPhone，在产品没出来前，人们甚至不容易想明白需求到底什么样。

PixVerse 不像抖音也不像Sora，不像任何一个已经存在的产品，甚至不再把视频当成一个“静态结果”，第一次，给了一个可以实时交互的、活着的、流式生成的世界。

就好像，以前的《阿凡达》都是已经完成的、锁死的，但现在，阿凡达宇宙活了，我也能参与进去，并且没人知道接下来会发生啥。

我甚至不知道该把它叫啥，不是游戏、不是AI，像个开放的个性内容新平台。

让我能站在新世界的中央，世界随你的意图变化。

再有代入感，都不如，让我亲身来当主角，自己来下定义。

02. 视频不再是静态文件，能随时参与

过去所有的视频，不管是实拍的，还是 AI 生成的，本质上都是一样的东西：像素点的排列组合，封装成一个 MP4 或 MOV 文件。

它是死的。一旦生成，就已经结束了。

最多只能在播放层面控制快慢、暂停、回放，但无法介入“发生本身”。

不能在视频播放到一半的时候说：“等一下，让火大一点”“天黑下来”“这个角色转过身”。

PixVerse R1 现在可以实时生成了。

PixVerse R1里面设定好的宇宙观非常丰富，上天入地、神话影视，都有。

而且发现，上线一天的时间里，还在新增、还在完善，比如新加的冰山场景就很好玩。

先选择这个冰山vlog，开启体验。

打雪仗、变雪人，都很流畅。

月球漫步这个，也很有电影感，直接选中就可以。

我尝试了一下加入新角色，遇到一个“月球龙”，几秒钟视频就出现了。

操作体验非常简单易上手，大家从官网进入直接用就行，几乎不需要操作指南和教程。

很丝滑，而且每一刻的输入，都会即时影响下一刻世界的状态。

画面不是一帧一帧被播放出来的，更像现实一样，被连续地采样出来、现场此刻发生。

我的语言、情绪、意图，可以实时驱动PixVerse R1这个「现实模拟器」。

能把世界模型做成实时的，底层架构一定是硬实力。

这是从系统层、推理层、延迟控制、资源调度全栈重构的结果，不是调参能调出来的。

03. 人人都能渲染游戏？

我第一次真正被 R1 打到，是在一个非常简单、甚至有点幼稚的场景里。

我想要更多游戏化的交互，比如像宝可梦里玩法那样。

于是让它生成了一只可达鸭。

画面出来之后，我没有停下来重新生成，而是直接开口说：“让火变蓝色。”

火焰真的在画面里慢慢变蓝色。

我又说：“天黑下来，红色光。”

环境不是纯黑，而是像现实世界一样，光线逐渐变化。

我说：“它转过身。”

可达鸭转了过来，看着我。

整个过程中，没有重新生成的断裂感。

除了给定的场景，我也尝试了一下从零自己写Prompt，去创造世界。

我给的Prompt是：

一片茂盛的粉色森林，树叶像粉色的羽毛在微风中摇曳。树干是淡紫色的，挂着发光的粉色灯笼果实。一只发光的粉色小鹿（或者奇异生物）在森林中跳跃，每一步都会在地面上激起粉色的光晕涟漪。

速度响应比我想象要快，不需要切走屏幕，稍等即可。

中间我想让出现鳄鱼，以及更多场景和角色的变化，指令依循度都比较高。

整个过程就像是你在当上帝，随手一挥，世界就变了。

说实话，我现在还想象不到它怎么和具身智能结合。

但这事，我就单纯觉得好玩。它有点像小时候看动画片或者打魂斗罗游戏的那种感觉，我在一个世界里待着，然后还能通过简单的方式控制画面的走动。

传统 AI 视频，每一次修改，本质上都是一次“推翻重来”。

人是站在视频外面，对结果指指点点。

但在 R1 里，我是在视频里面，像做梦一样，梦境在流动，而你可以控制梦的走向。

那种感觉，非常接近一种“上帝视角”的造物体验。

你不是在使用工具，你是在掌控一个世界。

04. 交互的背后是技术：从按钮到意图

第二个让我后背发凉的，是交互方式的变化。

我们太习惯参数、按钮、滑杆了：亮一点、暗一点、快一点、慢一点。这是工业软件的交互逻辑。

PixVerse R1 完全绕开了这一层。不需要点按钮，也不用调参数，只需要说话。甚至都不需要说得那么精确，只要表达意图。

这就有了一个很重要的转变：用户不再是“使用者”，而是“共同创作者”。

PixVerse 自己用了一个词，叫 Playable Reality。

它既不是视频，也不是游戏，也不是虚拟世界，但又同时具备三者的特征。

PixVerse也公开了他们的技术论文：《PixVerse-R1: Next-Generation Real-Time World Model》。

核心目标是：把视频生成，从“离线片段”，变成“连续、可交互、实时响应的视觉流”。

怎么做到的呢？简单来说由三部分构成：「Omni基座模型 + 无限流式生成架构 + 实时生成引擎」

Omni基座模型，是一个端到端的原生多模态模型，把文本、图像、视频、音频统一成连续的token流。

在训练阶段，它学习了大量真实世界的视频数据，因此具备生成复杂、长时间一致场景的能力——也就是我们直观感受到的“世界感”。

生成机制上，PixVerse R1采用的是自回归生成，不是传统扩散模型那种“先算完整片段”的方式。

这意味着，它可以持续生成、无限延展视觉流，而不是只能吐出一个固定长度的视频。

所以说，表面上是交互或者形式的创新，底层还是技术，还是新的架构设计。

05. 作为前字节人，说说我眼里的PixVerse

说点更个人的视角。

我不是今天才认识爱诗科技的。V1 到 V5.5，我几乎完整见证了 PixVerse 的进化路径。

24年到25年，那时我在字节AI视频业务做产品，也让我对外部的创业团队，更加佩服，因为他们真的用远比大厂更少的资源，做出了更创新的事和更好的效果

后来，画面、叙事、稳定性一点点被补齐，画布等等能力，做漫剧都不在话下。

但直到 R1，我才意识到：他们不只在做一个视频模型产品，也在探索 AI 时代视频的终极形态。

这家公司身上有一种我在字节很熟悉、但到哪都很稀缺的气质——务实的浪漫。

他们不满足于在一个已知赛道里做到最好，更愿意在所有人都在卷结果的时候，跳出来重塑过程和定义本身。

这是非常冒险的选择。

也是只有真正的技术先行者，才敢做的选择。

2024年初，Sora横空出世。那时候，我看到了一个「AI视频新物种」。

心里有一种很矛盾的震撼。

一方面，能清楚感觉到，视频生成这条路，被硬生生往前推了一个量级。

画面、镜头、连贯性、叙事能力，第一次看起来像电影，再也不是零散的碎片。

另一方面，我又会隐约觉得哪里不对劲——它很强，但它没有生命、没有沉浸。

输入 prompt，等，出结果；再改 prompt，再等，再出结果。整个过程完全是抽卡，是在和模型的随机性做等待和对抗。

我会反复问自己一个问题：这是AI视频的终点吗？更自然的更好的交互在哪？

我们真的只是把“拍视频”这件事，从摄影机换成了 prompt 吗？

如果未来真的是虚拟现实、沉浸式世界、通用 AGI 作为叙事主体，那视频这种媒介，难道不应该是「活着的」吗？

这个问题，2025年一整年，我都没有答案。

今天，PixVerse R1 给出了参考答案。

它带来的影响，很可能不亚于去年的 DeepSeek R1——它让一种旧媒介，第一次具备了全新的交互性和游戏性。

如果说去年我们见证了“模型能力的跃迁”，那今年，我们可能正在站在视频媒介的奇点时刻。

而这一次，世界不再只是被观看。

它开始回应你了。