允中 发自 凹非寺

量子位 | 公众号QbitAI

太卷了！过去两年，视频生成模型把画面参数几乎卷了个遍。

4K、物理一致性，画面越来越真，时长也越来越长。

但传统视频生成模型生成的永远是一段固定、预设的成品视频，你无法干预剧情、不能调整视角、更不能改变下一秒画面内容。

世界模型带来的变化，恰恰在这里。

它会跟随操作实时渲染、动态生成世界。

按下前进键，前方场景实时延展生成；转身回望，身后的街道即刻演算而出。

你不再是被动的观看者，而是真正的参与者。

而现在，做这件事的团队多了起来。Google DeepMind的Genie 3、腾讯的WorldPlay、蚂蚁的LingBot-World，以及一批创业公司，都在推进这个方向。

△神仙打架，越来越有「头号玩家」那味儿

放眼当下，世界模型已经初步实现了可自由探索、实时交互的视觉场景。画面质量、帧率、持续生成时间以及稳定性，都有了很大提升。

可当你戴上耳机沉浸式体验时，就会察觉致命短板：这片世界，一片寂静。

你漫步街巷，车辆从身旁驶过，却没有呼啸而过的轰鸣；你推开厚重的木门，门板缓缓转动，却听不到一丝铰链摩擦的声响；你看到野兽就在不远处低吼，身躯清晰映入眼帘，耳边却一片死寂。

有画无声，不成世界。

首发！可交互音视频世界模型HelixWorld 1.0

现在，这块最明显的短板，终于有人补上了。

Noiz AI联合来自香港科技大学、清华大学、CMU、Google DeepMind等机构的研究员，刚刚发布了实时可交互音视频世界模型HelixWorld 1.0。

丢进去一张图和一句提示词，眼前就会展开一个持续生成的世界。

本文转自：凤凰网科技

原文地址： https://tech.ifeng.com/c/8vecu0wK14g