最近有一個挺有意思的模型。

在倫敦的初創(chuàng)公司Odyssey，上線了一個 “互動視頻生成模型”。

它把視頻，變成了一個可以互動、實時生成的世界。就像玩第一人稱游戲一樣，可以在視頻里逛來逛去。

這個模型可以每40毫秒實時生成一幀高質(zhì)量畫面，用戶通過鍵盤、手柄、甚至未來直接通過說話，就能讓畫面發(fā)生改變。

你按一下鍵盤，視頻世界就做出反應(yīng)，幾乎無延遲地讓你沉浸到這個世界。

1 不是游戲，不是CG，而是“世界模型”

跟傳統(tǒng)視頻或3D游戲不同，這項技術(shù)背后靠的是Odyssey自研的 “世界模型（World Model）”。

就是那個楊立昆和李飛飛大佬常掛在嘴邊的“世界模型”。

過去的視頻生成，是“批量產(chǎn)出”，一次生成大量圖像幀，組成整個片段。

而世界模型更像“逐幀思考”，它每時每刻都在預(yù)測：“你剛剛按了前進鍵，我該生成什么景象？你剛剛轉(zhuǎn)頭，我該顯示什么空間？”

這就像大語言模型預(yù)測下一個單詞一樣，不過現(xiàn)在預(yù)測的是圖像，是動態(tài)的、沉浸式的、交互式的世界。

2 攻克最大技術(shù)難點：畫面漂移

不過，讓AI構(gòu)建一個世界，遠(yuǎn)比生成一張圖片復(fù)雜得多。

最大的問題是穩(wěn)定性。

簡單來說：AI每預(yù)測一幀，就往前走一步，但只要某一幀稍微出錯，后面的內(nèi)容可能就會徹底“走形”。專業(yè)術(shù)語叫做 漂移（drift）問題。

為了解決這個問題，Odyssey采用了一種取舍方式 —— “窄域預(yù)訓(xùn)練”。

它并不貪心地一上來就訓(xùn)練多樣世界，而是：

先在大量通用視頻上預(yù)訓(xùn)練，培養(yǎng)對真實世界的基本理解；

再用有限的特定環(huán)境做微調(diào)，畫質(zhì)犧牲一丟丟，但穩(wěn)定性暴漲。

這個策略雖然降低了生成環(huán)境的多樣性，但大大提高了穩(wěn)定性。讓你不會在視頻中突然看到畫面塌方、人物扭曲這些問題。

3 資本望風(fēng)而動，皮克斯創(chuàng)始人親自坐鎮(zhèn)

Odyssey不止是技術(shù)先鋒，還是資本寵兒。

Odyssey的兩位創(chuàng)始人Oliver Cameron和Jeff Hawke都出身自動駕駛?cè)�，一個是Wayve自動駕駛技術(shù)的AI研究元老，一個是Voyage自動駕駛公司的CEO。

二人將自動駕駛用到的“世界建模”理念，完美嫁接到AI視頻中。

更重量級的大佬，Pixar聯(lián)合創(chuàng)始人、迪士尼動畫前總裁Ed Catmull也親自加入董事會。

是的，就是做出《玩具總動員》的那位。

目前，Odyssey已獲得超過2700萬美元融資，投資方包括EQT Ventures、GV（Google Ventures）等一線基金。 

4 前景無限，不只娛樂

Odyssey坦白說，目前的版本還很初期：畫面還不夠清晰，互動感仍有限，場景穩(wěn)定性也不完美。

但這不妨礙我們透過這些粗糙，看見一些真正有意義的東西。

Odyssey相信，這不只是一種技術(shù)突破，而是一種新的敘事媒介。

你不再只是看旅游Vlog，而是直接“走進”巴厘島的沙灘；

醫(yī)學(xué)院教學(xué)視頻，變成能“操刀演練”的模擬課堂；

影視創(chuàng)作者只需控制角色和環(huán)境參數(shù)，就能實時生成整段劇情片段；

廣告不再是死板的片段，而是用戶可以在其中互動的品牌空間。

回顧人類文明的發(fā)展，從壁畫、文字、戲劇，到廣播、電影、電子游戲，每一次媒介革命都深刻改變了我們理解世界的方式。

如今，這種由AI驅(qū)動的、可實時交互的視頻世界，或許會成為下一個“敘事引擎”。

對于Odyssey的世界模型，歡迎在評論區(qū)分享你的看法????

       原文標(biāo)題 : Odyssey新“世界模型”：讓你進入視頻的世界，沉浸交互、實時生成