作者｜James
在直播间的画面里，扎丸子头的主播举着一袋猫粮，正在讲解为什么要专门买猫粮，而不是吃剩饭。此时，用户在弹幕提问：“我家就是随便吃啊，不行么？”
主播立马看了一秒钟屏幕，接住这句话回答：“当然不行了，你这不是喂饭，你这是24小时自助餐……”
别小看这种实时的反应交互，要想像片中主播这样自然，还能保持高度一致性，应答也很合理，光靠常规的视频模型或数字人，既麻烦又昂贵，还保证不了效果。
实时反馈是数字人直播一直在追求的目标。OpenAI开发全双工的实时语音模型，以便用打电话模式和语音助手交互。还有国外公司Mirage进行24小时AI直播新闻台实验，制作成本5万美元，吸引约6万名观众。如果这里要等上很久，效果就会大打折扣。
那上面的数字人带货视频是用什么技术做到的呢？
答案是爱诗科技的世界模型PixVerse R2。
世界模型这个品类近一年来高速发展。就在最近，“AI教母”李飞飞也发布了她的最新世界模型demo，足见这个赛道已经不是纸上谈兵。
而对文娱从业者来说，爱诗科技已经把PixVerse R2做成了可见、可感、可上手的实机演示，展现出多种多样的潜能：
- 可以做成完全千人千面，随机出现下一步和下一关的无尽游戏；
- 可以结合真正的模型智能和长期记忆，设定不穿帮的NPC和跨游戏的真人陪伴；
- 可以在几秒钟内生成对游戏场景的原型演示，把影视剧制作中已经完全落地的AI分镜过程平移到游戏开发中；
- 也可以量产游戏的场景和素材，让开发过程事半功倍……
自从VR和AR演变成元宇宙概念之后，互动娱乐的未来图景一度看起来非常清晰，却因为技术不过关，成本降不下来，陷入了“看山跑死马”的局面，并且随着AI的兴起，成为一个被搁置的风口。
如今，当世界模型以一个成本可控，效果可用的综合姿态，呈现在人们面前的时候，那些曾经看来只能停留在原型设计阶段的想象，一下子就又有了落地成真的希望。
游戏开发，苦成本久矣
随着年底R星GTA6的发布日期越来越近，相关讨论传闻甚嚣尘上。这家做一个游戏能吃一两年的奇葩公司，居然还是上市公司，而且股价并不低。一个单品游戏占据了单机3A大作的半壁江山，它一出来，其他所有游戏都要让路。
在国内，游戏市场的境遇也比几年前大为改善，先后出了“村里第一个大学生”《黑神话：悟空》，以及“村里第一个街溜子”《昭和米国物语》等。而已经有很大优势的休闲游戏市场，和新兴的互动影游等，都说明游戏在中国的潜力正在被深度挖掘出来。
然而全球游戏开发者越来越需要面对两个尴尬的问题：就算有了AI加持，游戏制作和修改的成本还是太高了，而玩家可以自定义的空间也还是太少了。
首先我们来看看成本问题。
国内游戏研发的AI渗透率已经很高，音数协数据显示，AI在中国游戏研发端的整体普及率已达86.36%。但AI大多落在美术资产生成、剧情辅助、测试这些环节，玩法验证依然是最贵的一步。
一个机制点子从立项到做出可玩原型，传统流程要数周甚至数月，还总因为成本问题胎死腹中，这才让R星和CDPR这种“工匠精神”商业模式得以延续。对国内市场而言，这意味着需要投入的沉没成本更高。今年半年报季，24家游戏上市公司虽然近七成盈利，可大家普遍在问同一件事：爆款之后，谁来接班？
游戏中的原型验证，就是将概念用更高保真的原型阐述出来。这个问题也曾经困扰影视剧拍摄，导演说戏全靠手舞足蹈，服化道要讲清楚也很费劲。但如今在影视领域，AI已经让快速的原型验证进入生产流程。
早在 2023 年，娱乐资本论专访融创文化时，其动画电影团队就已把SD、MJ用在场景概念图上，角色概念出方案从五六个人花两周，到一个人用几天；策划案制作从一两周压到 3 小时。去年，行业内剧本要素分解的人力成本能降9成以上，分镜设计的时间能省 50-70%。
从GPT-Image-2 生成《金瓶梅》游戏，到SeeDance 2.5生成《牛来》游戏，社交网络一直有人用视频模型对热门事件“改编”成一段几秒钟的“游戏场景”，做得够像，就能当段子上热搜。但对游戏开发者来说，这基本没什么意义。每一次生成的一致性都不能保证，也没法使用公司积累的游戏资产。产品要的，是每一帧都连续可控。
这时，PixVerse R2就派上了用场。
在仙界的demo里，玩家用WASD在云海仙山上行走，输入“左边出现一座云桥”，云雾里真的浮起一座石拱桥，走上去还能继续走，再输入“开启南天门”，尽头轰然打开一座金色天门。
信使demo是一场欧陆古堡的雨中追逐场景。身着红披风的信使被卫兵追进巷子，玩家让他“增加障碍物阻止追兵”，街道上真的瞬间堆起木箱，一只铁链吊钩从头顶扫过，把追兵撂倒。再输入“拉近视角，开启一条秘密路线”，几秒钟后在道路左侧的石墙就出现了一个可点击的“秘密路线”指示，不由得让观众感叹，假如现实中也有这种指哪打哪，那该多么刺激！
古风剑客的demo更进一步，输入“召唤一只老虎坐骑”，一头披甲巨虎从雾里凝聚出来，输入“骑上去”，剑客翻身上虎背；冲到断桥前，画面弹出二选一，“是否拦截领主”，鼠标点下去，巨虎跃过断口，又弹出三选一，“选择你的武器”，选完右手凝出一柄燃烧的赤炎刀。
到这里，不仅是剧情走向，连坐骑和武器系统都在生成的一刻临时固定，在一分多钟的连续剧情中，没有突然出现又消失的“闲棋”，没有因为新加入的系统而破坏原本连续的剧情体验。
玩法验证的成本，就这么降下来了。如同信使demo中的“秘密路线”，开发者不需要具体设定路线的地图，只需要知道此时来一个分支，“手感上”合不合适。这是最适合世界模型的舞台。
一句话生成一个可玩demo，几分钟验证一个机制点子。原来长达数周的立项验证周期可以大幅压缩，这个改进终于从静态的影视拍摄，平移到了动态的游戏制作上。
当R2的生成效果进一步固化了选项、QTE、任务进度等的前后一致性，“一句话生成可玩demo”的完成度更高了。这意味着小团队和个人开发的门槛进一步变低，对大厂来说，则是在已经奏效的美术资产生成基础上，用AI提质增效更进一步。
玩家续写游戏：AI游戏的正确打开方式
8月，投入750万元、历时约一年半的真人互动影游《恶校游戏》上线6天后发布制作组解散公告。游戏实际到手收入不足50万元，账面亏损超过550万元。其制作人痛陈，影游拍摄一经开机，剧情、逻辑等问题便难以调整，不可迭代。已购玩家还能正常游玩，但产品已经没有再改的机会。
之前，业内人士告诉小娱，互动剧本真正的难关在框架，要先从核心体验出发构建多分支，传统编剧擅长写线性故事，整个行业都还在摸索。故事每多一个选择，制作量就成倍往上翻。市面上的互动内容大多只有2-3个选项，观众能做的选择非常有限。
这其实也是传统游戏开发共同的隐痛：内容在玩家到来之前就预制完毕，一旦效果不好，想改的成本动辄接近重做。哪怕大爆出圈，也得通过各种DLC保证游戏的持续热度，一直要做东西，就像西西弗斯推石头上山。
不仅是AI出原型，开发者比谁都想用AI直接做游戏，来更快输出脑内的创意。然而基本没人敢公开这么做。《异环》等游戏未披露AI使用，主播终止赞助合作，配音演员也罢工；《猛兽派对》办了个AI二创比赛，Steam被大量刷差评。一项针对近万款Steam新游的统计显示，公开使用AI开发的游戏，首月评测量平均比不用AI的少约53%。
这些被抵制的游戏，几乎全是分支和剧情固定的有限游戏，玩家对AI的第一反应是厂商在偷懒。当然这并不符合事实，玩家对人工给AI“擦屁股”的工序感知并不充分。其实，只有一种玩法真正扭转了局面——把“开发门槛”降到，玩家自己能用一句话续写下文，自己给自己做游戏。
即使在开放世界游戏中，玩法也总有穷尽的一刻。玩家主要通过内部社交来丰富游戏的持久可玩性。但自从世界模型概念出现后，多个演示案例都向我们描述了另一种未来：
用户可以用打字，甚至语音来自己勾画出前方尚未发生的剧情。每一句话都可能导向一个不同的剧情，是比算法推荐还要彻底的千人千面。这一刻，他们从被投喂的消费者，变成决定世界走向的老板，对AI的逆反心理也会烟消云散。
在Pixverse R2内侧阶段，爱诗也与三个超级创作者合作，创作出三个互动影游内容的作品，并发布的先行预告。
太空恐怖短片《畸变回声》里，克罗斯博士在残骸空间站里被“女儿”的歌声引向深处，那张脸最后裂开，露出满口利齿，片尾写着“你所怀疑的，终将在最后将你吞噬”。画面里甚至叠着游戏HUD，左下角是生命体征波形，右下角是EXAMINE检查键，电影和游戏的界面出现在同一个画面里。
《Zero Mark》带人们进入类似《哈利·波特》的魔法世界，学院里一个“零印”少年，在学会了最简单的作弊码“你所言皆为魔法”之后，只要喊出“召唤天雷”“冷冻术”，这些法术就真的在画面里生效，言出法随。在演示后半段，数字人交互、场景探索、实时生成魔法、互动分支等能力都得到了充分的展示。
还有一支120秒的科幻默片：宇航员流落冰封星球，其中看到的机器废墟、冰雪荒原、来回走动的丧尸等场景，虽变幻莫测，却风格一致，视角一致，其中主体也保持着一致性。最后一幕，冰原巨坑里升起一道直通太空的光柱，坑底亮起城市的灯火。
要说清楚的是，这种参与仍发生在创作者预设的框架内，系统会在预设边界内维持叙事节奏和人物设定，让分支产生可见差异，同时继续推进故事。对内容生产来说，有限但可持续的控制，比“任何输入都能改写世界”的完全开放更可控，也更接近生产方的需求。
相比之前的实机Demo，它们更像是针对消费者端的一条宣言：这些内容会在非常近的将来，变成你手中和眼前的现实。
跳出单个场景之外的长情陪伴
在虚拟的三星堆博物馆，参观者打出“你真的是三星堆的外星人吗？”展台上那尊青铜纵目面具活了过来，下颌开合，不耐烦地用四川话回了一句：“我出土又不是拿来给你研究鼻孔的！”
换个场景。在屏幕中，一位虚拟闺蜜坐在沙发上跟你互动。她对着镜头聊新买的包，当你说一句“背上我看看”，她迅速回了一句“好啊我背给你看看”，站起来把包背好。
如果说只有面部的微动作还算好做，那不断切换景别，躯体动作，乃至下一秒就走出家门上街的角色，就能体现出不同技术路线的差距了。但对于PixVerse R2来说，这两者的实际工作量没有太大区别。
虚拟陪伴是在AI NPC和文字大模型等的基础上整合成的一个复合形态。只要能让用户感受到这是一个真实的存在，承载方式确实是次要的。但仅凭文字聊天和语音播报，总会让用户感到不满足，只是最终过渡到人形的一个中间态。
然而这下一段过渡，却迟迟未能迎来产品化。究其原因，大概是卡在了“空心人”问题上。以开头的直播带货为例，多数数字人产品能说不能听，照着脚本念，不靠中之人进皮套，根本撑不住长时间直播。数字角色只有能被打断、能即时反应，才能摆脱看一段循环动画那样的出戏感。
相比文字和语音，可视画面中让人“出戏”或称“OOC”的概率更高，因为视觉交互能承载比文本和语音多得多的附加信息。那么，一个世界模型可以用什么方法来扬长避短，让成果真实可信呢？这就得从R系列世界模型的研发历史说起。
今年1月，爱诗科技发布PixVerse R1，当时提出的概念是“实时视频世界模型”。跟传统视频生成不同，R1在运行中持续接收用户输入，实时更新世界状态，连续输出与交互一致的音视频。4月，R1加入个性化Avatar、Shared Worlds和多人共同输入，7月又发布PixVerse Game Engine，把实时世界模型、AI智能体和结构化游戏机制连在一起。
R2在这个底座上的升级是：内容在运行的时候，用户的输入能进入正在发生的内容，改变后续的剧情、角色、任务和关系。
为了解决“出戏/OOC”的尴尬，R2的技术做了大量的容错机制。它可以快速频繁地监测用户按键操作，但拉长处理剧情指令，让模型反应更快，同时把内容讲完整。它把最不能丢的角色长相、场景设定、世界规则放进长期锚点，训练时故意混入带瑕疵的历史画面，让模型提前适应真实运行时“前面的画面已经有点小偏差”的状态，避免一路错下去。在稳定性和画质权衡上，R2明显向稳定性倾斜，先用低分辨率把场景布局和运动定下来，再用很少的步骤补高分细节。
一个稳定的陪伴类Avatar，应该由表现无破绽的前端，加上智能够高，记忆稳定的大语言模型做后端组合而成。如今，PixVerse R2提供的“展示面”，让数字人能接住每一句具体的提问，能使用模型侧自带的能力，记住用户交互中即时说的话；更可以结合其它外部记忆系统，形成长程甚至永久的记忆。
当每一次交流都能留下痕迹，数字人“在线营业”就更具备沉浸感，而现在已经存在的人机恋等AI陪伴形态，也必将吸引更多观望中的潜在用户入戏。
一个世界正在坑底诞生
就像上面那个demo的最后一幕。冰原上的环形巨坑里升起一道蓝色光柱，光柱之下，坑底亮起一片城市般的灯火。一个世界正在坑底诞生，这句话放在PixVerse R2身上，可能不算夸张。
在外界感知上，世界模型一会像是用真实世界数据训练机器人和具身智能的中介，一会又像是把速度提升快进了的视频生成模型。但是，这两种理解都不完全符合实际。
世界模型的路线和定义，时至今日还在分化当中。李飞飞把自称世界模型的系统，按功能分成渲染器、模拟器、规划器三类，在商业路线上也分成了“世界模型即产品”和“世界模型做智能体基座”两条主线。
在赛道还没有完全收敛的蓝海，谁先拿出成本可控，效果可用的产品，谁就有机会定义这个品类。
爱诗科技就是在推进这样的进展。它的选择，是把PixVerse做成实时交互世界模型，并且直接接受C端开放体验的检阅。
任何产品和研发引入创新，最终都要落到商业模式和算力成本的平衡。世界模型具备通用、整合的多元能力，能用少量API调用，甚至一句句简单提示词，勾勒出成本可控、效果可用的交付产物。这正是爱诗科技想交付给文娱行业的底座：让游戏、互动影视、直播里的角色真正运行起来。
在进入世界模型领域之前，爱诗科技已经以 AI 视频生成头部公司为业界所知，完成 C 轮 29.8 亿元融资后估值超 20 亿美元。PixVerse 全球用户超 1.5 亿、覆盖 177 个国家和地区。如今，R2提供可见、可感、可落地的实际案例，正是把之前验证过的技术实力，推向互动娱乐的结果。
对文娱从业者来说，与其关注纷繁复杂的新闻，研读日新月异的技术资料，不如现在就进入实机体验和接入API，亲手试试这个会“运行”的世界，把它现在已经能做到的样子，装进自己的产品里。