世界模型的門檻，谷歌可能邁過去了

文 | 世界模型工場

Google可能要放大招了。

就在Google I/O 2026開幕前夕，兩條由Google尚未發布的新視頻模型Gemini Omni生成的視頻悄悄流出。

沒有任何官方預告，沒有任何發布會造勢，整個社交媒體都炸翻了。

一條視頻是一位教授站在黑板前，手持粉筆，一步步推導三角恒等式；

另一條是兩名男士坐在海邊高檔餐廳，安靜地吃意大利面。

Reddit和X的評論區，鋪天蓋地的都是同一句話："這不可能是現有的技術水平。"

兩個看似普通的日常場景，為什么讓見慣了AI生成內容的技術圈集體側目？

令人震驚的視頻

先說“教授黑板講課”視頻，生成它只用了一條prompt：

"一位教授在傳統黑板上寫出三角恒等式的數學證明，同時用語言解釋他當前正在推導的步驟。"

一條指令，沒有多輪對話，沒有分步驟控制。

出來的結果是，教授手持粉筆，逐步寫下公式，同時開口講解，畫面流暢，板書工整。

聽起來好像平平無奇。

但如果你了解當前視頻生成模型的技術邊界在哪里，就會明白Gemini Omni同時做到了三件事，而這三件事，以前從來不會同時出現。

第一，推理對了。

黑板上的證明過程在數學上是成立的，不是視覺上長得像公式的符號堆砌，而是數學意義上真實有效的推導。

要做到這一點，模型至少要在token預測之外，具備一定的符號推理能力（symbolic reasoning）。

即知道下一步應該出現什么公式，而不是隨機采樣一個看起來像數學的圖案。

語義準確性疊加在視覺生成之上，正是大多數視頻模型會在這類測試中失敗的原因。

第二，空間關系對了。

評測者描述，粉筆書寫時的手部和手臂動作"讀起來是自然的"，黑板上的方程式清晰可辨。

手部，是AI視頻生成里公認最容易穿幫的地方。

手指數量錯誤、關節扭曲、與物體的空間關系失真，這是行業里幾乎每一代視頻模型都栽過的坑。

一支粉筆被正確握持，在黑板上留下有意義的筆跡，手腕的力道、落筆的角度，都在合理的范圍內。

這一關，比畫一只正常的手還要難，因為手在這里還要和黑板、粉筆、書寫行為，形成完整的空間邏輯。

第三，時序對了。

這是最被低估的一件事。

教授寫下某個推導步驟的同時，口頭講解的正是這個步驟，板書進度與語音內容保持同步。

這不只是音視頻的幀級對齊（frame-level alignment），而是視覺事件、語義事件、時間事件三者之間的跨模態協調。

任何一個維度的理解出現偏差，結果就會是"手在寫A，嘴在講C"。

這種錯位，人類觀眾一眼就能感知到。

如果這三件事只是分別做到，我們可以認為是三個專項模塊拼在一起的結果。

但三者同時成立、彼此協調，更可能是模型在某個表征層面上，已經對"教授在黑板上講課"這件事形成了整體性的語義理解。

換句話說，它知道這件事在現實世界里是什么樣子，知道其中各個元素之間的約束關系。

這也是為什么"世界模型"這個詞，會在這條視頻流出后開始被頻繁提及。

在黑板視頻流出的同時，還有另一條視頻一起曝光：兩名男士在海邊高檔餐廳吃意大利面。

這個場景的選擇，不是隨機的。

2024年，一段AI生成的"Will Smith吃意大利面"視頻在網上瘋傳。

畫面里的手指數量不對，面條像活物一樣扭動，叉子和嘴的空間關系完全失控。

那段視頻成了早期AI視頻生成能力的恥辱柱。

圖為"Will Smith吃意大利面"視頻截圖

而這一次，Gemini Omni生成的結果，有用戶評論是"令人難以置信地真實"。

這背后考驗的，是模型對剛體與柔性體之間動態交互的建模能力：

叉子是硬的，面條是軟的，兩者在接觸時會產生形變，而形變的方式必須符合現實世界里的物理直覺。

這正是早期生成模型在隱式物理模擬（implicit physics simulation）上的致命短板。

一個模型，在兩條視頻里，分別碰到了視頻生成最難的兩類問題：

一類是符號、語音與畫面的同步，另一類是人與物體、剛體與柔性體的交互，并把這些問題推進到一個更可用的狀態。

Gemini Omni展示的，更像是一個對世界有著更深理解的基座模型。

Gemini Omni的沖擊

截至目前，Google還沒有發布Gemini Omni的任何技術文檔，也沒有公開任何模型參數或基準測試數據。

但關于Gemini Omni的架構，目前外界存在三種解讀。

最保守的說法是，Omni只是Veo的品牌重命名，底層推理引擎沒有根本變化；

第二種說法是，Omni是在Gemini架構下重新訓練的全新視頻模型，與Veo并行但獨立；

第三種說法最激進，認為Omni是一個真正意義上的原生多模態統一模型，在單一架構里原生處理文字、圖像、視頻和音頻。

基于以上兩段視頻的表現，第三種解讀反而像是"Omni"這個命名最合理的指向，畢竟在拉丁語中，"omnis"意味著所有。

如果Omni真正打通了多模態鏈路，模型競爭的焦點就會發生根本性的轉變。

不再是誰能拍出更像電影的畫面，而是誰是內容創作者的唯一目的地。

雖然現在還不能說Gemini Omni已經是世界模型，但它至少說明，視頻生成正在逼近世界模型要解決的問題：

如何在時間中維持一個可解釋、可編輯、可連續推演的場景。

產品層面的沖擊同樣不容忽視。

今天一條AI視頻的生產鏈路，通常需要串聯語言模型寫腳本、圖像模型做故事板、視頻模型做動畫渲染、再加外部剪輯軟件做后期處理。

每一次跨工具切換，都意味著信息損耗和風格漂移。

一旦Gemini Omni對話式視頻編輯成立，這條鏈路就可能被一個對話窗口替代了。

更關鍵的是，如果Omni被放入Gemini入口，并與Gmail、Google Docs、YouTube、Android深度打通，這是字節Seedance、快手Kling在分發層面根本無法復制的生態優勢。

技術能力決定上限，生態決定規模。

Gemini Omni真正的威脅，或許不在于它今天生成的視頻有多好，而在于它把視頻生成能力放在了一個競爭對手根本進不去的地方，后者對前者幾乎構成降維打擊。

世界模型時刻或許來臨

過去幾年，生成式AI的進化路徑相對清晰。

語言模型學會了讀和寫，圖像模型學會了看和畫，視頻模型學會了動。

每一個模態都在自己的賽道上快速迭代，但它們之間始終存在一道隱形的墻。

模型知道文字，也知道圖像，但它不理解文字和圖像之間、聲音和動作之間、邏輯和畫面之間的約束關系。

如果說ChatGPT時刻定義了語言的邊界，Sora時刻定義了視頻的邊界，那Gemini Omni指向的，很可能是第一個真正意義上的"世界模型時刻"。

模型第一次開始理解，模態與模態之間在現實世界里的約束關系，而不只是分別生成它們。

這是一次質的飛躍。

當然，Gemini Omni是否真正實現了這一點，在5月19日Google I/O 2026大會之前，沒有人能給出確定的答案。

但泄露出來的視頻，給出的信號已經足夠有力。

接下來Google會在臺上說什么，我們很快就會知道。