一年一個(gè)開年核彈，PixVerse R1 讓我想起去年的 DeepSeek R1

過去兩年，見證了國產(chǎn)視頻大模型的很多突破。

從底層模型到功能到效果，一點(diǎn)點(diǎn)對(duì)Sora完成了全方位的圍剿。

直到2026年、到現(xiàn)在，最讓我興奮的，是 PixVerse R1。

有點(diǎn)像去年用上 DeepSeek R1 的感覺——這是把游戲規(guī)則改寫了。

01. PixVerse給視頻下了新定義

最牛的公司，有行業(yè)定義能力。

單論視覺消費(fèi)的形態(tài)，好萊塢定義了電影，YouTube定義了互聯(lián)網(wǎng)長(zhǎng)視頻，抖音定義了短視頻。

站在2026年，我想說，PixVerse給AI視頻下了新的定義。

按官方的說法，這是全球首個(gè)真正意義上的「實(shí)時(shí)生成世界模型（Real-time World Model）」。

之前兩三年，AI 視頻領(lǐng)域的主旋律其實(shí)非常單一。

大家都在卷：畫質(zhì)更高一點(diǎn)，時(shí)長(zhǎng)更長(zhǎng)一點(diǎn)，人物一致性再穩(wěn)一點(diǎn)，鏡頭語言再像人類導(dǎo)演一點(diǎn)。

說重要當(dāng)然重要，但它解決的是同一個(gè)問題：如何更好地“生成一個(gè)結(jié)果”。

PixVerse R1讓我覺得，AI視頻，不是AI生圖的視頻版，也不是什么換個(gè)平臺(tái)看AI版的抖音，是一種新形態(tài)。

就像喬布斯定義的iPhone，在產(chǎn)品沒出來前，人們甚至不容易想明白需求到底什么樣。

PixVerse 不像抖音也不像Sora，不像任何一個(gè)已經(jīng)存在的產(chǎn)品，甚至不再把視頻當(dāng)成一個(gè)“靜態(tài)結(jié)果”，第一次，給了一個(gè)可以實(shí)時(shí)交互的、活著的、流式生成的世界。

就好像，以前的《阿凡達(dá)》都是已經(jīng)完成的、鎖死的，但現(xiàn)在，阿凡達(dá)宇宙活了，我也能參與進(jìn)去，并且沒人知道接下來會(huì)發(fā)生啥。

我甚至不知道該把它叫啥，不是游戲、不是AI，像個(gè)開放的個(gè)性內(nèi)容新平臺(tái)。

讓我能站在新世界的中央，世界隨你的意圖變化。

再有代入感，都不如，讓我親身來當(dāng)主角，自己來下定義。

02. 視頻不再是靜態(tài)文件，能隨時(shí)參與

過去所有的視頻，不管是實(shí)拍的，還是 AI 生成的，本質(zhì)上都是一樣的東西：像素點(diǎn)的排列組合，封裝成一個(gè) MP4 或 MOV 文件。

它是死的。一旦生成，就已經(jīng)結(jié)束了。

最多只能在播放層面控制快慢、暫停、回放，但無法介入“發(fā)生本身”。

不能在視頻播放到一半的時(shí)候說：“等一下，讓火大一點(diǎn)”“天黑下來”“這個(gè)角色轉(zhuǎn)過身”。

PixVerse R1 現(xiàn)在可以實(shí)時(shí)生成了。

PixVerse R1里面設(shè)定好的宇宙觀非常豐富，上天入地、神話影視，都有。

而且發(fā)現(xiàn)，上線一天的時(shí)間里，還在新增、還在完善，比如新加的冰山場(chǎng)景就很好玩。

先選擇這個(gè)冰山vlog，開啟體驗(yàn)。

打雪仗、變雪人，都很流暢。

月球漫步這個(gè)，也很有電影感，直接選中就可以。

我嘗試了一下加入新角色，遇到一個(gè)“月球龍”，幾秒鐘視頻就出現(xiàn)了。

操作體驗(yàn)非常簡(jiǎn)單易上手，大家從官網(wǎng)進(jìn)入直接用就行，幾乎不需要操作指南和教程。

很絲滑，而且每一刻的輸入，都會(huì)即時(shí)影響下一刻世界的狀態(tài)。

畫面不是一幀一幀被播放出來的，更像現(xiàn)實(shí)一樣，被連續(xù)地采樣出來、現(xiàn)場(chǎng)此刻發(fā)生。

我的語言、情緒、意圖，可以實(shí)時(shí)驅(qū)動(dòng)PixVerse R1這個(gè)「現(xiàn)實(shí)模擬器」。

能把世界模型做成實(shí)時(shí)的，底層架構(gòu)一定是硬實(shí)力。

這是從系統(tǒng)層、推理層、延遲控制、資源調(diào)度全棧重構(gòu)的結(jié)果，不是調(diào)參能調(diào)出來的。

03. 人人都能渲染游戲？

我第一次真正被 R1 打到，是在一個(gè)非常簡(jiǎn)單、甚至有點(diǎn)幼稚的場(chǎng)景里。

我想要更多游戲化的交互，比如像寶可夢(mèng)里玩法那樣。

于是讓它生成了一只可達(dá)鴨。

畫面出來之后，我沒有停下來重新生成，而是直接開口說：“讓火變藍(lán)色。”

火焰真的在畫面里慢慢變藍(lán)色。

我又說：“天黑下來，紅色光。”

環(huán)境不是純黑，而是像現(xiàn)實(shí)世界一樣，光線逐漸變化。

我說：“它轉(zhuǎn)過身。”

可達(dá)鴨轉(zhuǎn)了過來，看著我。

整個(gè)過程中，沒有重新生成的斷裂感。

除了給定的場(chǎng)景，我也嘗試了一下從零自己寫Prompt，去創(chuàng)造世界。

我給的Prompt是：

一片茂盛的粉色森林，樹葉像粉色的羽毛在微風(fēng)中搖曳。樹干是淡紫色的，掛著發(fā)光的粉色燈籠果實(shí)。一只發(fā)光的粉色小鹿（或者奇異生物）在森林中跳躍，每一步都會(huì)在地面上激起粉色的光暈漣漪。

速度響應(yīng)比我想象要快，不需要切走屏幕，稍等即可。

中間我想讓出現(xiàn)鱷魚，以及更多場(chǎng)景和角色的變化，指令依循度都比較高。

整個(gè)過程就像是你在當(dāng)上帝，隨手一揮，世界就變了。

說實(shí)話，我現(xiàn)在還想象不到它怎么和具身智能結(jié)合。

但這事，我就單純覺得好玩。它有點(diǎn)像小時(shí)候看動(dòng)畫片或者打魂斗羅游戲的那種感覺，我在一個(gè)世界里待著，然后還能通過簡(jiǎn)單的方式控制畫面的走動(dòng)。

傳統(tǒng) AI 視頻，每一次修改，本質(zhì)上都是一次“推翻重來”。

人是站在視頻外面，對(duì)結(jié)果指指點(diǎn)點(diǎn)。

但在 R1 里，我是在視頻里面，像做夢(mèng)一樣，夢(mèng)境在流動(dòng)，而你可以控制夢(mèng)的走向。

那種感覺，非常接近一種“上帝視角”的造物體驗(yàn)。

你不是在使用工具，你是在掌控一個(gè)世界。

04. 交互的背后是技術(shù)：從按鈕到意圖

第二個(gè)讓我后背發(fā)涼的，是交互方式的變化。

我們太習(xí)慣參數(shù)、按鈕、滑桿了：亮一點(diǎn)、暗一點(diǎn)、快一點(diǎn)、慢一點(diǎn)。這是工業(yè)軟件的交互邏輯。

PixVerse R1 完全繞開了這一層。不需要點(diǎn)按鈕，也不用調(diào)參數(shù)，只需要說話。甚至都不需要說得那么精確，只要表達(dá)意圖。

這就有了一個(gè)很重要的轉(zhuǎn)變：用戶不再是“使用者”，而是“共同創(chuàng)作者”。

PixVerse 自己用了一個(gè)詞，叫 Playable Reality。

它既不是視頻，也不是游戲，也不是虛擬世界，但又同時(shí)具備三者的特征。

PixVerse也公開了他們的技術(shù)論文：《PixVerse-R1: Next-Generation Real-Time World Model》。

核心目標(biāo)是：把視頻生成，從“離線片段”，變成“連續(xù)、可交互、實(shí)時(shí)響應(yīng)的視覺流”。

怎么做到的呢？簡(jiǎn)單來說由三部分構(gòu)成：「Omni基座模型 + 無限流式生成架構(gòu) + 實(shí)時(shí)生成引擎」

Omni基座模型，是一個(gè)端到端的原生多模態(tài)模型，把文本、圖像、視頻、音頻統(tǒng)一成連續(xù)的token流。

在訓(xùn)練階段，它學(xué)習(xí)了大量真實(shí)世界的視頻數(shù)據(jù)，因此具備生成復(fù)雜、長(zhǎng)時(shí)間一致場(chǎng)景的能力——也就是我們直觀感受到的“世界感”。

生成機(jī)制上，PixVerse R1采用的是自回歸生成，不是傳統(tǒng)擴(kuò)散模型那種“先算完整片段”的方式。

這意味著，它可以持續(xù)生成、無限延展視覺流，而不是只能吐出一個(gè)固定長(zhǎng)度的視頻。

所以說，表面上是交互或者形式的創(chuàng)新，底層還是技術(shù)，還是新的架構(gòu)設(shè)計(jì)。

05. 作為前字節(jié)人，說說我眼里的PixVerse

說點(diǎn)更個(gè)人的視角。

我不是今天才認(rèn)識(shí)愛詩科技的。V1 到 V5.5，我?guī)缀跬暾娮C了 PixVerse 的進(jìn)化路徑。

24年到25年，那時(shí)我在字節(jié)AI視頻業(yè)務(wù)做產(chǎn)品，也讓我對(duì)外部的創(chuàng)業(yè)團(tuán)隊(duì)，更加佩服，因?yàn)樗麄冋娴挠眠h(yuǎn)比大廠更少的資源，做出了更創(chuàng)新的事和更好的效果

后來，畫面、敘事、穩(wěn)定性一點(diǎn)點(diǎn)被補(bǔ)齊，畫布等等能力，做漫劇都不在話下。

但直到 R1，我才意識(shí)到：他們不只在做一個(gè)視頻模型產(chǎn)品，也在探索 AI 時(shí)代視頻的終極形態(tài)。

這家公司身上有一種我在字節(jié)很熟悉、但到哪都很稀缺的氣質(zhì)——?jiǎng)?wù)實(shí)的浪漫。

他們不滿足于在一個(gè)已知賽道里做到最好，更愿意在所有人都在卷結(jié)果的時(shí)候，跳出來重塑過程和定義本身。

這是非常冒險(xiǎn)的選擇。

也是只有真正的技術(shù)先行者，才敢做的選擇。

2024年初，Sora橫空出世。那時(shí)候，我看到了一個(gè)「AI視頻新物種」。

心里有一種很矛盾的震撼。

一方面，能清楚感覺到，視頻生成這條路，被硬生生往前推了一個(gè)量級(jí)。

畫面、鏡頭、連貫性、敘事能力，第一次看起來像電影，再也不是零散的碎片。

另一方面，我又會(huì)隱約覺得哪里不對(duì)勁——它很強(qiáng)，但它沒有生命、沒有沉浸。

輸入 prompt，等，出結(jié)果；再改 prompt，再等，再出結(jié)果。整個(gè)過程完全是抽卡，是在和模型的隨機(jī)性做等待和對(duì)抗。

我會(huì)反復(fù)問自己一個(gè)問題：這是AI視頻的終點(diǎn)嗎？更自然的更好的交互在哪？

我們真的只是把“拍視頻”這件事，從攝影機(jī)換成了 prompt 嗎？

如果未來真的是虛擬現(xiàn)實(shí)、沉浸式世界、通用 AGI 作為敘事主體，那視頻這種媒介，難道不應(yīng)該是「活著的」嗎？

這個(gè)問題，2025年一整年，我都沒有答案。

今天，PixVerse R1 給出了參考答案。

它帶來的影響，很可能不亞于去年的 DeepSeek R1——它讓一種舊媒介，第一次具備了全新的交互性和游戲性。

如果說去年我們見證了“模型能力的躍遷”，那今年，我們可能正在站在視頻媒介的奇點(diǎn)時(shí)刻。

而這一次，世界不再只是被觀看。

它開始回應(yīng)你了。