聞樂 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

先說個事兒，我昨天做了個挺好玩兒的夢：踩著滑板在城市大道上飛！馳！

醒過來還意猶未盡，結(jié)果沒想到AI不光幫我還原了畫面，還把我拉進夢里玩了一把。

我踩著滑板往前沖，換方向、加速、跳躍、甚至秀了個Ollie（豚跳）～

視頻地址：https://mp.weixin.qq.com/s/J5v3jVnHSdluRKxRz9cCSg

屬實給我整精神了，AI啥時候會干的這事？？

不賣關(guān)子了，這是HappyOyster 1.0（快樂生蠔）實現(xiàn)的，阿里ATH推出的可實時構(gòu)建和交互的開放式世界模型產(chǎn)品。

看到世界模型四個字，可能有朋友好奇：這和我之前玩的Sora那些有啥區(qū)別？不都是AI生成畫面嘛？

嗯……還真不是一回事。

咱先簡單聊兩句行業(yè)現(xiàn)狀啊，過去這一年多，AI視頻賽道卷得確實熱鬧，各種產(chǎn)品輪番上場，畫面精度一個比一個高，看著確實挺驚艷。

但用多了就會發(fā)現(xiàn)一個共性問題：它們都是「單程票」。

你寫一段描述，模型渲染出一段視頻，生成完，就完了，然后你就只能看，更不能跟畫面里的角色互動。

而且時間一拉長，畫面大概率就會崩壞，比如角色前一秒拿著劍后一秒空手了，走兩步臉都換了一張。

這也是為啥市面上AI視頻基本都是短片段，不是不想做長，是長了真繃不住啊……

說白了，當前文生視頻的天花板，就是一段好看但不可更改的影像素材；

而HappyOyster 1.0做的是一件完全不同的事——

打造一個完整可演繹、可探索、可互動的數(shù)字世界。

畫面生成出來的那一刻，體驗才剛開始。你可以一邊看一邊下指令，世界實時反饋并持續(xù)演化。

就好像以前你是觀眾，現(xiàn)在你成了世界的…主人。

那這只快樂生蠔到底有多快樂呢？？下面就繼續(xù)實打?qū)崪y一波！

世界是活的，你就是主角

HappyOyster 1.0主打兩大核心模式：Adventure（世界探索）和Directing（實時導(dǎo)演）。

Adventure是「用動作探索，世界即刻延展」的開放漫游模式，你親自下場當主角；

Directing是「用鏡頭敘事，故事隨心掌控」的導(dǎo)播執(zhí)導(dǎo)模式，你站在世界之上當導(dǎo)演。

一個管“身體”，一個管“腦子”，覆蓋了兩種截然不同的創(chuàng)作和體驗訴求。

咱先來體驗Adventure模式。

我丟了一張吉卜力風格的草原圖進去，畫面生成的一瞬間直接把我拉了進去，整個畫面是活的，在等我操作。

那我就不客氣了，直接動手！

1.0版本新增了一套很豐富的交互按鍵，有加速、下蹲、攻擊、跳躍，操作手感跟你玩的3A大作相當接近。

我按了一下前沖，少年邁腿就跑起來；按攻擊鍵，少年開始揮劍；再按跳躍，少年騰空而起，落地那一刻角色屈膝動作，鏡頭有個上升和下墜的變化，這細節(jié)屬實拉滿了。

關(guān)鍵是，這些全都不是預(yù)先做好的動畫素材，是模型根據(jù)你的操作實時推演出來的。

為啥這么說呢？因為同一個場景我反復(fù)試了好幾次，每次動作角度不一樣，角色的姿態(tài)也不一樣。

而且模型有個很聰明的設(shè)定，它會根據(jù)場景內(nèi)容自動匹配可玩的交互方式。

比如我這個畫面里有馬車，世界就會解鎖騎馬互動彩蛋。少年走到馬車旁，觸發(fā)對應(yīng)操作指令，就能直接上馬騎行??！

視頻地址：https://mp.weixin.qq.com/s/J5v3jVnHSdluRKxRz9cCSg

如果創(chuàng)建的世界里有汽車，那么就會自動匹配開關(guān)車燈、鳴笛的玩法，主打一個「畫面有什么，就能玩什么」。

視頻地址：https://mp.weixin.qq.com/s/J5v3jVnHSdluRKxRz9cCSg

而且探索過程中還能隨時截屏留存畫面，也能保存世界，一鍵對外分享鏈接，別人點進來就能看到你創(chuàng)建的完整世界。

意思是，方便發(fā)朋友圈了（doge）。

如果說Adventure是讓你下場當主角，那Directing就更過癮了，直接讓你當導(dǎo)演。

Directing支持多模態(tài)參考，@一張圖片就能鎖定角色外觀，咱直接就是一個POV戀愛互動先安排上！

我給她設(shè)定了一個近景特寫鏡頭，全程第一視角對視，然后隨手打了幾條互動指令，效果be like：

視頻地址：https://mp.weixin.qq.com/s/J5v3jVnHSdluRKxRz9cCSg

好好好，AI生視頻這下都吃上自助餐了，我狂吃！

而且1.0版本在Directing模式上做了幾個相當重磅的升級，體驗完之后我只想說：這才是創(chuàng)作者的終極玩具！

我先用一條prompt啟動了一段劇情：

在舞臺上，兩個人面對面激烈爭吵。

看了大概二十秒之后，我覺得劇情可以轉(zhuǎn)折了。

于是我輸入了一條新指令：

他們突然釋懷了，緊緊擁抱在一起。

接收到新指令后，兩個角色的表情開始緩和，身體從對抗姿態(tài)慢慢轉(zhuǎn)向靠近，最后緊緊擁抱在一起。

視頻地址：https://mp.weixin.qq.com/s/J5v3jVnHSdluRKxRz9cCSg

而且，整個過程中，不光是場景，兩個角色的臉、衣服、體態(tài)、發(fā)型完全沒有變！！

好戲還沒完——

1.0另外殺手锏功能是回溯和劇情分支。

比如，我可以直接回退到爭吵的那個節(jié)點，換條完全不同的指令，畫面就會重新演化。

或者從同一個節(jié)點續(xù)寫，設(shè)計出A、B兩條完全不同的故事線。

等等，這不就是創(chuàng)作者夢寐以求的平行宇宙嘛！?。?/p>

而且所有這些操作都是流式生成的，即說即演，不用等渲染。你隨時插話，劇情隨時響應(yīng)，這對內(nèi)容行業(yè)來說，屬實是黑科技啊……

更貼心的是，官方還寫了份體驗指南放在網(wǎng)頁上，教你怎么創(chuàng)建更好的世界～

為什么能讓世界動起來？

上面體驗了這么多，估計有朋友已經(jīng)按捺不住了：

這玩意兒到底是怎么做到的？跟文生視頻在技術(shù)上有啥區(qū)別？

咱先把最根本的概念差異說清楚：

文生視頻的工作方式是文本→視頻的單向條件映射，你輸入一段描述，模型一次性離線渲染出一段固定的像素序列。

世界模型學的則是一套完全不同的東西，是當前狀態(tài)+用戶動作→下一個狀態(tài)的轉(zhuǎn)移規(guī)律。

△圖片AI生成

這就要求模型必須同時具備三重能力：物理規(guī)律的隱式建模、長程因果鏈路的追蹤、外部干預(yù)的即時響應(yīng)。

首先要說的就是閉環(huán)世界狀態(tài)建模。

要讓一個世界持續(xù)運行，最樸素的思路是記住所有歷史畫面，每生成新一幀，就回頭看前面所有幀來保持連貫性。

但問題是，這么干計算量會指數(shù)級膨脹，時間一長直接寄。

HappyOyster 1.0在這里把世界狀態(tài)壓縮成隱狀態(tài)摘要（Latent State），在生成鏈路上遞歸傳遞，支撐長程一致性。

就像接力跑一樣，跑下一棒之前，上一棒把「關(guān)于現(xiàn)在世界的一切」寫成一張紙條遞過去，一棒一棒往后傳。

每生成新的一幀，模型只需要拿到上一幀的那張紙條加上你新發(fā)出的指令，就能推演出下一幀。

所以幾分鐘下來世界不會亂、因果關(guān)系不會斷。

而且1.0版本因為這個紙條可以被存檔，所以暫停、回溯、分支敘事這些功能就自然而然實現(xiàn)了。本質(zhì)上就是在某個時間點把紙條存一份副本，想從哪繼續(xù)就從哪繼續(xù)。

一個架構(gòu)設(shè)計，直接把產(chǎn)品的交互想象空間整個撐開了。

△圖片AI生成

第二項核心技術(shù)，是內(nèi)生一致性，解決了生成畫面里角色頻繁換臉的痛點。

文生視頻最頭疼的問題就是主體漂移，人物走幾步臉就變了，衣服顏色也跟著跑偏。

HappyOyster 1.0以持久的參考表征參與全程注意力來解這個問題。通俗點說，就是給每個角色、物品、場景元素都發(fā)了一張「身份卡」。

不管鏡頭怎么切、角色怎么轉(zhuǎn)身、被其他物體遮擋多久再出現(xiàn)，模型每次生成新畫面時都會對著身份卡檢查，保證角色不變樣不變形。

還有開放因果動作空間，打通動作與語言的表達邏輯。

很多交互式系統(tǒng)的做法是預(yù)定義一個動作集，比如能跳、能跑，但只能做這些。

HappyOyster 1.0把動作指令和自然語言放進了同一個語義接口。

比如，你說騎上那匹馬，模型就自己推演出上馬的完整動作序列和馬開始跑的物理反饋。

動作空間是開放的，語言本身就是遙控器，不需要任何人工預(yù)設(shè)，模型自己就能推演因果。

最后說說長時序音視頻協(xié)同。

HappyOyster 1.0的音頻和視頻是在同一個世界狀態(tài)下聯(lián)合解碼生成的，不是先出畫面再配音。

這意味著腳步聲跟著你走、雨聲跟著天氣變、打擊音效跟著攻擊動作來，真正做到了聲畫物理合規(guī)。

這四大技術(shù)一起協(xié)同發(fā)力，這個世界才能真正活起來。

不過技術(shù)做得好不好，光靠體驗感受還不夠，得有量化標準來衡量。

但世界模型作為一個新興領(lǐng)域，目前行業(yè)里還缺乏一套針對“世界邏輯”的系統(tǒng)性評測基準。

針對這個痛點，HappyOyster團隊正在牽頭與南京大學共建世界模型評測基準，這也說明，HappyOyster不只是在做產(chǎn)品，更承擔起定義賽道標準的責任。

誰能第一個吃到這只生蠔？

從傳統(tǒng)文生視頻生成一段固定影像，到世界模型搭建可進入、可操控、持續(xù)自主運轉(zhuǎn)的完整數(shù)字空間，HappyOyster 1.0正是這條全新路線的落地先行者。

它把AI的生成能力從單向輸變成了雙向?qū)崟r交互。

而且，一旦世界模型走通了這條路，很多行業(yè)的想象空間就變大了。

比如說游戲行業(yè)，不用搭建龐大的美術(shù)資產(chǎn)庫、配置復(fù)雜的物理引擎，給HappyOyster 1.0丟一張概念圖，很快就能跑出一個具備物理反饋和NPC交互的可玩場景。

在內(nèi)容生成賽道上，如果一個劇本能分叉出十條故事線，觀眾自己選走向，那就可能催生一個全新的互動內(nèi)容業(yè)態(tài)。

除此之外，文旅景區(qū)做虛擬漫游、博物館做沉浸式歷史還原……都可以用HappyOyster 1.0進行沉浸式體驗。

現(xiàn)在，HappyOyster 1.0已經(jīng)正式上線，用手機號注冊就能玩！此外，API計劃在近期開放。接下來無論是游戲創(chuàng)作、短劇生成、文娛體驗，還是數(shù)字人直播、虛擬陪伴，都可以用上世界模型，給用戶帶來全新的交互體驗。

這意味著人人都有機會親手搭建、操控自己的專屬虛擬世界，想想就「狠」帶勁！

阿里這次屬實是打開了大家的想象力，以后誰還滿足于只看視頻啊……

體驗地址：

https://www.happyoyster.cn