我有一个判断：
世界模型生成的内容，未来的主要消费者，可能不是人，是 Agent
爱诗做的通用实时世界模型 PixVerse R1，这次做了一轮大更新。720P 高清实时生成全面开放，画面稳定性提了一档，UGC 创作者社区正式上线，同时面向外部开放世界模型 API 接口（邀请制）
在这里申请：https://aisphere.feishu.cn/share/base/form/shrcnV1ZJhUDBLWJ8vub36t3z4f
可能有些朋友没见过 R1，先说清楚它和现在市面上所有 AI 视频工具的区别
现在的 Sora、可灵、Runway、海螺，逻辑都一样：写一段描述，等渲染，拿到几秒到十几秒的成品视频，想改就重来
R1 做的事不一样。你给它一个起始场景，它会一直往下生成。持续的、没有时间限制的画面。你随时可以打字或者说话来改变剧情，它实时响应
一个跑不停的世界，和一段几秒的视频，根本不是一回事
这些画面都在持续跑着，没有固定的结束时间，角色自己在动，镜头自己在切，剧情自己在往下走
你不说话，它自己演
它编出来的剧情走向，跟人类的叙事直觉经常不一样。人写故事习惯起承转合，有节奏。R1 不管这些，它按自己对世界的理解去推。有时候生成出来的转折，你会觉得这个逻辑好像只有 AI 自己能看懂
看到这里，回到开头那个判断
这些持续生成的画面，到底是给谁看的
聊 AI 视频的时候，大家会不自觉地在一个框架里想问题：画质够不够高，时长够不够长，镜头语言够不够专业，故事够不够打动人
这些考量背后有一个前提——所有的「好不好」，都是按人类的审美、人类的注意力、人类的情绪共鸣来评判的
当你还在想「怎么让 AI 帮人出更好的视频」的时候，思考已经被这个前提限住了
Google 之前做了一个东西，直接把这个前提换掉了
他们有一个 Agent 项目叫 SIMA 2，能在 3D 环境里自己理解目标、自己规划路径、自己执行。关键的一步：他们把 SIMA 2 丢进了 Genie 3（Google 的世界模型）生成的世界里
SIMA 2 在 AI 生成的世界里自己走，自己试错，自己学。失败的任务，几轮自我训练之后就能完成。不需要人类标注数据，不需要人类提供游戏录像
Google 管这个叫「自我改进循环」。Agent 在 AI 生成的世界里试错，Gemini 对行为打分，结果存进经验库，下一代 Agent 在这个基础上继续训练。每一代比上一代强，人不需要介入
世界模型生成世界，Agent 在里面训练自己
训练完的 Agent 能力更强，需要更复杂的世界来继续训练。世界模型和 Agent，互相喂
在这个循环里，世界模型生成的画面、场景、物理规则，全都是给 Agent 消费的。人可以看，但人看不看，不影响循环转下去
Token 的主要消耗者正在从人变成 Agent。一个人可以同时跑 10 个 Agent，每个 Agent 每天调用几千几万次接口。世界模型把这个逻辑往前推了一步——Agent 所消耗的，不光可以是文字 Token，还应该是视觉世界。需要在 AI 生成的环境里走动、试错、理解物理规则、练习交互
R1 这种能实时、无限时长生成的世界模型，最大的下游用户可能根本不是人类创作者
那问题就来了
如果世界模型的第一批重度用户不是人，PixVerse 这次更新的 UGC 社区、创作者模板库、720P 画质，这些全是面向人类用户的功能
这中间有一个张力
也许恰恰是因为现在面向人类用户把实时生成的体验做到位了，底层的推理效率、画面一致性、交互响应速度这些硬能力才能被逼出来。等 Agent 大规模消费世界模型的时候，这些能力是直接能接住的
R1 能做到实时，核心是把扩散模型的采样步数压到了 1 到 4 步（传统方案跑 50 步以上），再加上自回归流式生成做到逐帧预测、理论无长度限制。代价也有，长时间生成有误差累积，物理渲染精度为了实时做了妥协，PixVerse 自己在技术报告里也提了
这次更新还有一个值得注意的点：Omni（自研原生多模态基座）的完整能力第一次面向用户开放。文本、图像、音频、视频统一编码成连续 token 流，画面跑着的同时声音也在实时生成，环境音、人物语音都跟画面对得上
之前想 AI 视频这个赛道的时候，默认就是在想「怎么帮人出更好的视频」。但如果把 Google 正在做的事情和 R1 放在一起看，这个赛道正在长出一个完全不同的下游
也许今天面向人类创作者做的这些功能，最终的价值不在于帮人拍出更好的片子，而在于它在这个过程中，把世界模型的实时能力打磨到了 Agent 能用的程度，去争取入场券
最后，别忘了，R1 的 API 已经开了，在这里申请：https://aisphere.feishu.cn/share/base/form/shrcnV1ZJhUDBLWJ8vub36t3z4f
热门跟贴