智东西
作者 毕伟豪
编辑｜漠影

近日，一款实时世界模型在海外走红，9月22日上线当天就登上了X（Twitter）趋势榜第二。

它为什么会引发这么大的关注？

有海外网友认为，这款模型带来的变化，是让AI生成从“创作视频”转向“与AI世界互动”。

还有网友称赞这不像是看视频，更像是身临其境。

这就是爱诗科技（AIsphere）最新发布的实时世界模型——PixVerse R2所呈现的效果，在PixVerse R2创造的世界中，用户可以移动、说话，做出选择。

用户输入的每一个提示词、做出的每一个动作，都会实时改变眼前的场景，甚至让剧情走向不同的方向。

回过头来看，AI诞生以来，世界最直观的变化，是内容产生变得更快了，用户输入提示词，就能得到一篇文章、一段代码、一张图片或者一条视频。

此前的生成大多以一次性交付为终点：提示词触发一段内容，生成结束，这次过程也随之关闭。

如何让历史状态、当前输入与后续生成形成连续的因果链，让AI创造的是一个可以被进入、被持续操控和改变的世界，正是实时世界模型探索的重要方向。

这也是爱诗科技（AIsphere）正在探索的方向。

今年1月，爱诗科技发布PixVerse R1通用实时世界模型，开始让用户进入AI实时生成的世界。与传统视频生成不同，用户可以在生成过程中持续输入指令、改变行动，模型也会随之更新眼前的场景。

PixVerse R1首先证明了实时、连续、可交互的音视频生成可以成立；R2则进一步处理这个实时生成的世界，让用户可以在其中移动、探索，也可以通过不同的行为改变眼前的环境和后续发展。

R2的正式上线，也让实时世界模型又一次进入大众视野并引起热议。

▲PixVerse R2上线当天登上X（Twitter）趋势榜

接下来，让我们看一些真实的画面。

一、PixVerse R2实机演示：从看视频到进入世界

进入PixVerse World后，我最先体验的是一个草原越野的世界。

我开着车在草原上驰骋，只需要通过WASD键，就能完成加速、转向、爬坡等操作。

更有意思的是，操作并不局限于移动，我还可以随时给这个世界“加东西”，比如召唤一只雄鹰站到车上、让彩虹出现在指定位置，甚至直接把车点燃。

这里真正吸引人的，其实是输入之后的反馈速度。整个过程中，我不需要退出场景、重新生成，也不用等待一段视频渲染完成，操作和世界变化基本是连续发生的。

进入逃离战区这个世界以后，我发现不仅人物可以自由移动，输入指令后还可以做出成功撤离的庆祝动作、召唤闪电或者身上发出代表胜利的金光。

只不过这一次，背后不是游戏开发者预先写好的资源，是AI在即时响应。

而且人物在跑动的时候，持枪姿势也很专业，跳跃和转向都很流畅，可以一边移动一边改变方向，整个过程不会因为一次操作就把交互打断。

《草原奥德赛》这个世界也非常有趣，输入提示词后，我操控的人物身上直接长出翅膀飞起来了，觉得飞太高还能打开降落伞。整个世界的画面随着我不断输入提示词，一直在发生各种各样的变化。

输入指令后，世界很快就会给出反馈，不会出现传统生成式产品里那种“输入一句话，然后盯着进度条等结果”的割裂感。

这是互动影游《零印法师》，我是真的“玩嗨了”，这个世界本身有比较完整的剧情线：主角从一个没有法力的“零印”起步，随着剧情推进签订契约、获得能力，再一路完成逆袭。

最主要的是，AI生成世界和剧情并没有彼此割裂，在体验过程中，我可以不断输入提示词来操控世界。

比如在打前期一个小Boss的时候，我直接输入一个“变小狗”的提示词，下一刻，主角就释放了一个魔法把Boss变成了一只金毛。

这种体验和传统互动游戏最大的不同就在这里：玩家不再只能从开发者预先设计好的几个技能、几个选项里做选择，而是可以直接用自然语言向世界提出要求。

从这里也能看出，PixVerse R2在前端和产品化的一些探索，不仅仅停留在WASD的控制上，还可以承载电影级别的画质、音效以及有深度的剧情。

从这些案例中，我体验到的其实是三层不同的交互：

WASD控制角色，体现的是实时响应；自然语言改变世界，体现的是指令理解和动态生成；进入互动影游，则进一步考验AI能不能把交互、剧情、音效和世界状态串在一起。

这也让PixVerse R2创造的世界，开始和传统视频生成拉开距离。

它的目标，是让用户能够持续介入其中，换句话说，用户从“看视频的人”，开始变成了这个世界里的参与者。

而问题也随之出现：当用户不再只是观看，而是持续介入一个AI生成的世界时，模型真正需要解决的，就不只是生成速度，还需要记住已经发生的事情并且理解用户在做什么，然后让这个世界稳定运行下去。

二、从R1到R2，真正困难的不是生成世界，是让世界一直运行下去

关于上面这个问题，爱诗科技已经探寻了很久。

2026年1月，爱诗科技推出PixVerse R1通用实时世界模型。和传统视频生成一次性输出一段固定内容不同，R1尝试让用户持续输入指令、改变动作，模型则实时更新世界状态，并连续生成音视频。

视频生成也从确定的结果，变成一个能随着用户输入持续变化的过程。

此后半年，爱诗科技继续沿着实时、交互、世界演化这条线扩展，陆续加入个性化Avatar、Shared Worlds与多人共同输入。

同时，通过PixVerse Game Engine把实时世界模型与Agent、游戏机制连接起来，让目标、规则和状态变化为实时生成的画面。

8月23日，爱诗科技发布PixVerse R2技术报告，用Omni Causal AR持续扩展世界建模能力，Real-Time Acceleration则把这些能力带进实时运行区间。

PixVerse R2要解答的问题是：如果AI生成的是一个能够被用户持续干预的世界，这个世界究竟要具备什么能力？

要让一个AI生成的世界持续运行，模型首先得看懂用户在做什么，理解用户的动作、意图以及对环境产生的改变；

其次要记住世界发生过什么，让前面的交互能够延续到后面，而不是每次都从头开始；

同时还要维持世界的一致性，让画面、主体和空间关系在长时间运行后依然稳定；最后，还要及时响应用户的下一步动作，让世界能够跟着用户持续变化。

上述要求，对应到PixVerse R2的技术报告中，体现为四个核心能力：长程一致性、多模态控制、因果响应和状态保持。

模型既要理解用户的文字、语音和动作，又要让这些输入真正改变后续世界；既要接住前面发生的事情，又要保证世界运行得越久，角色、场景和空间关系不会逐渐失真。

这些要求放到一个实时世界里，并不是彼此独立的。

模型理解得越深、需要保持的状态越多、生成的时间跨度越长，背后需要处理的信息和计算量也会随之增加，但实时交互又要求模型必须及时给出下一步结果。

用户对下一步变化的预期是就在下一秒发生，模型没有太多时间把计算慢慢“算完”。

于是，一个非常关键的问题出现了：如果实时世界模型既要保持实时输出，又要不断增强模型能力，它能不能像大模型一样，找到一条持续Scaling的路径？

三、PixVerse R2，把能力上限和实时运行放进同一条路

事实上，实时世界模型既要不断提升能力，又要满足实时交互，这两个目标天然存在矛盾。

PixVerse R2给出的思路，是把“模型能力”和“实时运行”拆开解决，再把两者重新放进同一套训练和推理路径。

具体而言，PixVerse R2通过Omni Causal AR将文字、参考图像、音频、动作等不同信号统一纳入世界建模，让模型进一步理解空间、时间以及用户行为之间的关系，具备持续理解、生成和演化一个世界的基础。

其中最关键的是“Causal AR”，让模型沿着时间持续推进世界，当前的世界状态会成为下一步生成的依据，由此世界也就可以持续往下发展。

Omni Causal AR解决的是实时世界模型的能力上限问题，但模型能力足够强，并不意味着它就能实时运行。对于实时世界来说，用户不会愿意去等待模型慢慢生成下一段内容。

因此，R2又单独做了一套Real-Time Acceleration框架，把推理加速等环节接入实时运行过程。

这里一个比较重要的设计是，同一套Omni Causal AR既作为蒸馏Teacher，也作为学生模型的初始化基础，让实时模型沿着原本的世界建模能力继续演化，而不是重新从头训练一个只追求速度的模型。

这样一来，R2形成了两个彼此衔接的核心层次：Omni Causal AR负责持续扩展世界模型的能力上限，Real-Time Acceleration负责将这些能力带入实时、可交互的运行区间。

技术报告也将两者概括为一条演进路径：持续扩大世界模型的能力，再将这些能力稳定加速到实时运行。

这条路径并只对应R2的升级，它是爱诗科技对于实时世界模型Scaling方式的技术回答。

PixVerse R2通过Omni Causal AR和Real-Time Acceleration的组合，将实时世界模型的能力扩展与实时运行连接起来。

更重要的是，R2并没有把Scaling简单理解为扩大规模，而是将实时世界模型的扩展拆分为模型、数据、任务、控制信号、时间尺度五个维度。

这五个维度并不是彼此独立的，模型规模决定能力上限，数据和任务决定模型能够覆盖的世界范围，控制信号决定用户能够通过多少种方式介入世界，时间尺度则决定模型能否在更长时间里保持世界状态并持续演化。

从这个角度看，R2探索的是一条从能力提升、实时加速到持续Scaling的路径：让这些维度能够沿着同一套训练路径继续扩展，并最终转化为实时世界模型的能力增长。

结语：从“生成一段视频”到“创造一个世界”

从文章、代码、图片到视频，生成式AI过去解决的，更多是“给我一个结果”，通用模型正在改变这个状态。

当模型能够理解用户行为，并根据已经发生的状态继续生成，AI交付的就不再是一段固定内容，而是一个可以被进入、被操控、不断变化的世界。

PixVerse R2探索的，正是从“生成内容”到“生成世界”的演变过程。游戏之外，互动影视、虚拟角色、教育培训、工业仿真等场景，同样存在大量需要根据用户行为实时变化的内容。

过去，这些变化需要提前设计和制作；未来，其中一部分可能在用户真正进入之后才发生。

这或许才是通用实时世界模型真正打开的空间——让AI负责一个世界的诞生和运转。