新智元報(bào)道

【新智元導(dǎo)讀】今天，阿里重磅上線HappyOyster 1.0世界模型，一句話直接生成可實(shí)時(shí)探索、物理交互的開放世界！

「快樂生蠔」，真的來了！

今天，阿里正式放出了HappyOyster 1.0——這是一款可實(shí)時(shí)構(gòu)建和交互的開放式世界模型產(chǎn)品。

一句話，即可生成一個(gè)完整、可演繹、可探索、可互動(dòng)的數(shù)字世界。

2個(gè)月前，阿里曾把「快樂生蠔」放進(jìn)了公眾視野，如今這只生蠔終于長成了1.0。

一句話，一個(gè)世界，這次是真的實(shí)現(xiàn)了。

世界模型，AI下一個(gè)戰(zhàn)場

過去兩年，文生視頻已經(jīng)相當(dāng)成熟。

輸入一句話，等上幾十秒，就能拿到一段成片，它把「文本變成畫面」這件事，做得很好。

只不過，成片有它天然的邊界：畫面生成完，這段視頻就定稿了，你能做的是「看」，而不是「參與」。

而世界模型想做的，是另一件事：讓你不只是看一段視頻，而是走進(jìn)一個(gè)能實(shí)時(shí)互動(dòng)、隨時(shí)改變走向的世界。

這無關(guān)誰取代誰，文生視頻交付的是「一段結(jié)果」，世界模型為你創(chuàng)造的是「一段體驗(yàn)」——

你給一張圖、一段話，它生成的那一刻，體驗(yàn)才剛開始。

那它具體是怎么做到的？

它把視頻，當(dāng)成一個(gè)需要被持續(xù)推演的世界狀態(tài)，學(xué)習(xí)世界如何隨時(shí)間演化的規(guī)律——

空間怎么連續(xù)、物體怎么守恒、動(dòng)作之后會(huì)引發(fā)什么反饋。

它要做的，不再只是「把內(nèi)容生成出來」，而是「把一個(gè)世界持續(xù)推演下去」。

放眼全世界，硅谷大廠、AI大佬創(chuàng)業(yè)公司，紛紛押注「世界模型」這一賽道。

這其中，不僅有谷歌DeepMind的Genie，也有李飛飛團(tuán)隊(duì)傾力打造的Marble。

在這場角逐中，阿里HappyOyster強(qiáng)勢入局，路線非常明確：主動(dòng)式、實(shí)時(shí)——

你說話的同時(shí)，世界就在回應(yīng)你。

HappyOyster命名的靈感，來源沙翁的名言——The world is your oyster（世界是你的牡蠣 ，撬開它）

如今，阿里把將這句箴言刻印在「世界模型」上，態(tài)度很直白：世界，由你來撬開。

快樂生蠔，一手實(shí)測

這一次，HappyOyster 1.0核心版本升級，主打兩大功能——

• 世界探索（Adventure）：你就是世界里角色的一部分，一句話、一張圖，即可開啟任意世界的探索。

• 實(shí)時(shí)導(dǎo)演（Directing）：你就成了那個(gè)站在世界之上的人，去導(dǎo)演一整個(gè)故事。

百聞不如一見，接下來，我們將開啟一場全面的硬核實(shí)測。

世界探索：你就是世界里的「主角」

一句話或一張圖，你就進(jìn)入一個(gè)可漫游、可戰(zhàn)斗、可互動(dòng)的開放世界。

第一人稱、第三人稱隨你切，還支持1分鐘以上的實(shí)時(shí)位移與鏡頭控制。

「世界探索」新增了一整套豐富的交互動(dòng)作：前沖 / 加速、下蹲、攻擊、跳躍，還支持更復(fù)雜的環(huán)境交互——乘坐駕駛載具、使用各類武器戰(zhàn)斗。

它真正把「看一個(gè)世界」變成了「在一個(gè)世界里活動(dòng)」。

下面這個(gè)測試中，我們讓HappyOyster 1.0生成了兩個(gè)壯漢在地下拳館格斗的場景。

這一場格斗里，攻擊、跳躍、閃避這些動(dòng)作，都是實(shí)時(shí)操控出來的——出拳、反擊、再追打，節(jié)奏完全跟著指令走。

關(guān)鍵是，一拳打出去，命中之后對手會(huì)觸發(fā)「踉蹌倒退」的受擊反應(yīng)。

HappyOyster憑借著對客觀世界的理解能力，根據(jù)場景實(shí)時(shí)演化對應(yīng)的物理交互，讓各種復(fù)雜動(dòng)作實(shí)時(shí)發(fā)生。

除了戰(zhàn)斗場景外，HappyOyster 1.0還可以絲滑處理各類連貫交互動(dòng)作。

下面這個(gè)地牢測試中，人物竟可以主動(dòng)使用道具——火把。而且，場景的光照狀態(tài)完成了合理的切換。

再比如這臺復(fù)古老爺車，你可以指揮人物開門、上車，再操控他把車開出去。

從「看一輛車」到「上車把它開走」，中間差的就是能不能實(shí)時(shí)操控這一步。

世界會(huì)不會(huì)對動(dòng)作做出實(shí)時(shí)反饋，雪地是個(gè)很好的試金石。

比如下面這個(gè)視頻中，一名探險(xiǎn)者深一腳淺一腳走過厚雪覆蓋的山脊，每步留下腳印、踩塌的雪揚(yáng)起雪粉。

更關(guān)鍵的是，不管世界換成什么畫風(fēng)，任何人都能一樣地走進(jìn)去、實(shí)時(shí)下指令。

如下視頻中，是一個(gè)黏土風(fēng)格的微觀廚房，可以指揮角色在這個(gè)小世界里走動(dòng)、探索，想去哪、做什么，都是實(shí)時(shí)演化說了算。

實(shí)時(shí)導(dǎo)演：站在世界之上，一邊演一邊改

Directing模式能直接讓你當(dāng)導(dǎo)演。流式生成、即說即演，隨時(shí)注入指令改走向。

它的三大特性，每一條都是一種全新的交互體驗(yàn)：

暫停：任意時(shí)刻凍結(jié)世界，想好了再繼續(xù)；

回溯：演到一半折回任意節(jié)點(diǎn)重新來過，原版本保留不丟；

劇情分支：從同一個(gè)節(jié)點(diǎn)分叉出完全不同的走向。

加上首發(fā)的多模態(tài)參考（用@圖片鎖定角色外觀，3分鐘長程一致），試錯(cuò)成本被壓到了極低。

通過HappyOyster，便可以第一視角沉浸式體驗(yàn)和數(shù)字人的交互，包括捏臉、說話全部都是實(shí)時(shí)的。

亦或是，化身為漫劇導(dǎo)演，親自執(zhí)導(dǎo)一場霸總大戲。

劇情的走向、角色的命運(yùn)，一切全都由你的想象力來主宰。只需在對話框中，輸入指令，AI便會(huì)按著劇本來演了。

創(chuàng)作過程中，可以隨時(shí)喊停，等創(chuàng)意想好了還能繼續(xù)。

再來一部「后宮甄貓傳」，一個(gè)人就能導(dǎo)演一部戲。

再來看下面這個(gè)demo，二次元老婆換裝，想要哪種風(fēng)格的，一句話直接搞定。

核心技術(shù)拆解

HappyOyster 1.0 和我們熟悉的文生視頻模型，不是同一類東西。

差別不在畫面，而在兩者學(xué)習(xí)的目標(biāo)。

文生視頻學(xué)的是「文本→視頻」的單向映射——給一段描述，產(chǎn)出一段對應(yīng)的成片，生成完，這件事就結(jié)束了。

世界模型則不同，它學(xué)的是：當(dāng)前狀態(tài)＋你的動(dòng)作　→　下一個(gè)狀態(tài)的轉(zhuǎn)移規(guī)律。

模型必須先理解當(dāng)前的場景結(jié)構(gòu)、實(shí)體屬性、物理關(guān)系，還要在你隨時(shí)丟過來指令的情況下，準(zhǔn)確預(yù)測并渲染世界的下一個(gè)狀態(tài)。

用戶不再是被動(dòng)的觀察者，而是可以在「世界」里持續(xù)交互——體驗(yàn)的核心是中途互動(dòng)本身。

那么問題來了，HappyOyster 1.0 是怎么把這件事做成的？

它的技術(shù)優(yōu)勢可以概括為四點(diǎn)，層層遞進(jìn)。

第一，世界狀態(tài)建模——世界能持續(xù)跑下去的基礎(chǔ)。

HappyOyster 把世界的當(dāng)前狀態(tài)壓縮成一份緊湊的隱狀態(tài)摘要（Latent State），每生成一段內(nèi)容就更新摘要，再把更新后的摘要遞歸傳給下一段。

這就像是一場接力賽跑，上一棒把「關(guān)于現(xiàn)在世界的一切」寫成一張小紙條遞給下一棒。

紙條在手，世界的因果就一直接得上——幾分鐘跑下來，世界不會(huì)亂、因果關(guān)系不會(huì)斷。

更關(guān)鍵的是，正因?yàn)闋顟B(tài)摘要可序列化、可存檔，HappyOyster 1.0 才得以支持暫停、回溯和劇情分支這些進(jìn)階功能。

第二，內(nèi)生一致性——世界「不崩」的保障。

HappyOyster 以持久的參考表征參與全程注意力。

簡單理解就是，進(jìn)入世界時(shí)給每個(gè)人物、每件關(guān)鍵道具發(fā)一張「身份卡」，模型全程帶著這張卡生成。

這樣，當(dāng)角色轉(zhuǎn)個(gè)身、被擋住，甚至走出畫面過幾分鐘再出現(xiàn)時(shí)，長相、衣著、物品都不會(huì)變樣、不會(huì)變形。

一致性不靠運(yùn)氣，而是從架構(gòu)層面就是內(nèi)生的。

第三，開放因果動(dòng)作空間——世界「能玩」的核心。

世界生成穩(wěn)了，接下來的關(guān)鍵是怎么和它交互。

HappyOyster 的做法是讓動(dòng)作指令和自然語言共享同一套語義接口，不需要預(yù)定義動(dòng)作集。

比如，用戶按下「攻擊」鍵，HappyOyster不只是播一個(gè)「揮劍」的動(dòng)畫，它能自主推演出整條因果鏈——

出手→命中→NPC 受擊倒地→地面揚(yáng)塵→旁邊的酒杯被震落。

這些因果不是開發(fā)者一個(gè)一個(gè)寫好的腳本，而是模型通過大規(guī)模因果訓(xùn)練自己學(xué)會(huì)的。

正因如此，它能自然遷移到從未見過的場景，并根據(jù)用戶指令推理出新的因果關(guān)系。

這是世界模型區(qū)別于靠腳本與邏輯拼接的「游戲引擎」的最本質(zhì)之處。

第四，長時(shí)序音視頻協(xié)同——世界「活著」的質(zhì)感。

最后一層是感官的完整性。

HappyOyster 的音畫是在同一世界狀態(tài)下聯(lián)合解碼生成的——世界狀態(tài)展開的同時(shí)，聲音和畫面一起長出來。

腳踩碎石有碎石聲，引擎加速有轟鳴，風(fēng)穿過峽谷有呼嘯聲——聲音不是后期配的，是世界本身的一部分。

這四個(gè)點(diǎn)合在一起，HappyOyster 就成為了一個(gè)可持續(xù)推演的世界模擬器——跑得久、不會(huì)崩、可控制、有聲音。

從「技術(shù)玩具」到「生產(chǎn)力」

誰會(huì)最先用起來

HappyOyster 1.0的想象空間，遠(yuǎn)不止「玩」。

把它放進(jìn)各行各業(yè)，會(huì)看到一條共同的主線：每個(gè)場景的價(jià)值都不在畫面本身，而在「實(shí)時(shí)互動(dòng)」。

用戶能在生成過程中隨時(shí)介入、即時(shí)改變世界的走向。

對不同落地場景來說，這正是世界模型這個(gè)新品類最有想象力的地方。

交互式游戲是最直接的落地場景。

傳統(tǒng)的開放世界原型驗(yàn)證需要幾個(gè)月建資產(chǎn)庫、搭物理引擎、調(diào)NPC行為樹。

現(xiàn)在一句話，就能生成帶實(shí)時(shí)物理反饋的開放世界原型。

從FPS戰(zhàn)區(qū)到國風(fēng)武俠對決，策劃用它驗(yàn)證關(guān)卡、測試NPC交互邏輯、感受戰(zhàn)斗節(jié)奏，而玩家的每一次操作都在實(shí)時(shí)驅(qū)動(dòng)事件走向。

速度從以周計(jì)縮到以小時(shí)計(jì)。

實(shí)時(shí)虛擬陪伴，是「世界探索」與「實(shí)時(shí)導(dǎo)演」都能托起的方向。

它能實(shí)時(shí)生成一個(gè)隨時(shí)可交互的虛擬角色：能聽能說、長時(shí)間相處還保持一致，用戶可以隨時(shí)指揮它的動(dòng)作。

虛擬伙伴、數(shù)字人IP、品牌虛擬形象，都能借此從「播一段片」升級為「實(shí)時(shí)陪著你」。

在互動(dòng)短劇上，HappyOyster 1.0的暫停、回溯、分支三件套，等于把「分支敘事」的能力直接交給了創(chuàng)作者。

一個(gè)開頭分叉出十條故事線，觀眾能在關(guān)鍵節(jié)點(diǎn)注入自己的指令、實(shí)時(shí)改寫走向——

名場面重寫結(jié)局、POV戀愛互動(dòng)，制作方式也從「預(yù)先拍好多條線、每條都花錢」變成了「實(shí)時(shí)生成任意一條線」。

還有直播，是「實(shí)時(shí)」屬性最天然的落點(diǎn)。

場景與角色都是實(shí)時(shí)生成的，主播或觀眾的一句指令就能即時(shí)改變畫面走向。

無論是虛擬主播，還是實(shí)時(shí)互動(dòng)直播，觀眾都不再只是「看」，而是能直接參與到畫面的演化里。

文旅與虛擬體驗(yàn)則把「去哪、看什么」實(shí)時(shí)交給用戶，同時(shí)利用世界模型在「無真實(shí)數(shù)據(jù)場景」中的模擬能力。

月球表面、海底宮殿、高魔幻境——這些現(xiàn)實(shí)中拍不到的地方，HappyOyster能在像素空間里持續(xù)模擬出來。

HappyOyster 1.0版本把「一句話造世界」從概念變成了今天就能用的產(chǎn)品。

而據(jù)官方透露，API預(yù)計(jì)7月初開放——屆時(shí)，開發(fā)者和B端的生態(tài)想象力還會(huì)進(jìn)一步打開。

國內(nèi)站 www.happyoyster.cn 已上線，手機(jī)號即可注冊，每天登錄送免費(fèi)創(chuàng)作積分。

剩下的，就交給你的創(chuàng)造力了。