最近有一个挺有意思的模型。

在伦敦的初创公司Odyssey，上线了一个 “互动视频生成模型”。

它把视频，变成了一个可以互动、实时生成的世界。就像玩第一人称游戏一样，可以在视频里逛来逛去。

这个模型可以每40毫秒实时生成一帧高质量画面，用户通过键盘、手柄、甚至未来直接通过说话，就能让画面发生改变。

你按一下键盘，视频世界就做出反应，几乎无延迟地让你沉浸到这个世界。

1 不是游戏，不是CG，而是“世界模型”

跟传统视频或3D游戏不同，这项技术背后靠的是Odyssey自研的 “世界模型（World Model）”。

就是那个杨立昆和李飞飞大佬常挂在嘴边的“世界模型”。

过去的视频生成，是“批量产出”，一次生成大量图像帧，组成整个片段。

而世界模型更像“逐帧思考”，它每时每刻都在预测：“你刚刚按了前进键，我该生成什么景象？你刚刚转头，我该显示什么空间？”

这就像大语言模型预测下一个单词一样，不过现在预测的是图像，是动态的、沉浸式的、交互式的世界。

2 攻克最大技术难点：画面漂移

不过，让AI构建一个世界，远比生成一张图片复杂得多。

最大的问题是稳定性。

简单来说：AI每预测一帧，就往前走一步，但只要某一帧稍微出错，后面的内容可能就会彻底“走形”。专业术语叫做 漂移（drift）问题。

为了解决这个问题，Odyssey采用了一种取舍方式 —— “窄域预训练”。

它并不贪心地一上来就训练多样世界，而是：

先在大量通用视频上预训练，培养对真实世界的基本理解；

再用有限的特定环境做微调，画质牺牲一丢丢，但稳定性暴涨。

这个策略虽然降低了生成环境的多样性，但大大提高了稳定性。让你不会在视频中突然看到画面塌方、人物扭曲这些问题。

3 资本望风而动，皮克斯创始人亲自坐镇

Odyssey不止是技术先锋，还是资本宠儿。

Odyssey的两位创始人Oliver Cameron和Jeff Hawke都出身自动驾驶圈，一个是Wayve自动驾驶技术的AI研究元老，一个是Voyage自动驾驶公司的CEO。

二人将自动驾驶用到的“世界建模”理念，完美嫁接到AI视频中。

更重量级的大佬，Pixar联合创始人、迪士尼动画前总裁Ed Catmull也亲自加入董事会。

是的，就是做出《玩具总动员》的那位。

目前，Odyssey已获得超过2700万美元融资，投资方包括EQT Ventures、GV（Google Ventures）等一线基金。 

4 前景无限，不只娱乐

Odyssey坦白说，目前的版本还很初期：画面还不够清晰，互动感仍有限，场景稳定性也不完美。

但这不妨碍我们透过这些粗糙，看见一些真正有意义的东西。

Odyssey相信，这不只是一种技术突破，而是一种新的叙事媒介。

你不再只是看旅游Vlog，而是直接“走进”巴厘岛的沙滩；

医学院教学视频，变成能“操刀演练”的模拟课堂；

影视创作者只需控制角色和环境参数，就能实时生成整段剧情片段；

广告不再是死板的片段，而是用户可以在其中互动的品牌空间。

回顾人类文明的发展，从壁画、文字、戏剧，到广播、电影、电子游戏，每一次媒介革命都深刻改变了我们理解世界的方式。

如今，这种由AI驱动的、可实时交互的视频世界，或许会成为下一个“叙事引擎”。

对于Odyssey的世界模型，欢迎在评论区分享你的看法????

       原文标题 : Odyssey新“世界模型”：让你进入视频的世界，沉浸交互、实时生成