廣東
我這人沒什么養寵物的耐心，但卻很喜歡折騰AI角色。
有段時間，小雷隔三岔五就去豆包、千問里翻別人的Bot。有人讓諸葛亮來到現代，有人讓霸道總裁教高數，還有人捏了個天天催自己上班的二次元老婆。好不好用先放一邊，至少每次點進去，都不知道會遇上什么新品種的電子活人。
結果前陣子再打開，小雷發現這幫Bot要集體畢業了，豆包、千問接連宣布下線相關功能。眼看聊天框里的電子朋友一個接一個消失，我本來已經準備接受現實，結果轉頭又刷到一個更抽象的東西。
Vidu S1。
（圖源：Vidu）
Vidu S1是一個主打實時視頻交互的模型，不同于普通的AI Bot，用戶只需上傳一張圖片，模型就能快速理解角色的身份、外觀和風格，并在交互過程中實時生成該角色的各種表情和動作，并盡量保持形象與音色的統一。
誒，既然大廠的Bot不讓玩了，那小雷（ID：leitech）干脆自己造一個。
要我說，一個會說中文、能聽懂指令，最好還能當場打坐的哈蘭德就蠻有意思。
一張圖就能生成可對話的哈蘭德
Vidu S1的使用流程不算復雜。
這個模型本身是完全公開的，只要在手機應用商店搜索Vidu AI Pro下載最新版本，進入APP內點擊Vidu S1即可體驗。
注意啊，別下錯成Vidu AI，這是兩個不同的APP，我就被他們騙了一個下載量。
（圖源：雷科技）
為了方便體驗，Vidu S1里已經準備了一批預設角色。
這里頭數量最多的是各式各樣的妹子，從古裝到現代，從魔幻到現實，此外還有一些動畫角色、拆家狗子可供選擇，多樣性這一塊是沒啥問題。
我先沒急著上傳圖片，隨便挑了一個聊了幾句。
就像這樣，用戶只要選定角色，就可以通過麥克風直接發出語音指令。角色會在畫面中實時回應，并根據對話內容實時生成表情、口型，搭配上身子左右自然晃動，還真有幾分在打視頻通話的感覺。
（圖源：雷科技）
就是這畫面本身嘛...確實有點糊，看了一下官方規格，說是540P、25幀，你就把它當成網絡不佳的效果吧。
當然，這玩意的能力不止對口型，我們還可以直接用語音指揮角色做出不同動作。
當我發出“舉起左手”的指令后，畫面中的角色確實能夠做出響應，對應的舉手動作也很流暢，沒有出現什么穿幫的情況。
（圖源：雷科技）
稍微復雜一點的，比如推眼鏡、撩頭發，都算是能較好地完成。
我甚至提出了一個類似于“左手整理頭發，右手整理衣襟，然后雙手放在胸前比心”的復合指令，角色也能勉強做到，就是沒有那么到位。
（圖源：雷科技）
至于槽點嘛...延遲挺大的。
它的“實時”是站在AI視頻角度說的，你講完一句，角色往往還要停頓一下，再開始回答。這個速度放在視頻生成里確實不賴，但是放進視頻通話里就很明顯，尤其是角色還會一直盯著你，讓人心里多少有些毛毛的。
動作也是同樣的情況。
為了防止穿幫，Vidu S1似乎在系統層面寫死了不準轉身的限制，無論怎么嘗試角色都會拒絕，至于跳舞、上下蹲這類連續動作更是直接糊弄。
（圖源：雷科技）
屬于是嘴上答應得很積極，身體只象征性地晃兩下，有點像我擺爛的樣子。
當然，預設角色畢竟經過官方挑選，Vidu S1也支持用戶上傳圖片創建自己的角色，接著就該試試我自己上傳的角色了。
我先選了一張Q版角色，正好可以看看它在面對非常規體型時的處理效果。
上傳菲比啾比的圖片后，填寫角色描述，選擇系統提供的預置音色，或者是錄制自己的聲音，然后等個1分鐘左右，一個自定義角色就完成了。
（圖源：雷科技）
結果非常嚇人，角色的動作和體型完全不匹配。
在我發出“跳起”的指令后，可以看到畫面里的角色身體被驟然拉長，其他指令也都是類似橡膠人的效果。
（圖源：雷科技）
更別說我設置的角色描述似乎完全沒用，角色無論如何都會在那里自說自話。
最后，我上傳了一張挪威前鋒哈蘭德的圖片。
估計是因為訓練集的緣故，真人圖片比二次元要簡單。靜止時，Vidu S1能把五官和發型保持得不錯；開始說話后，嘴型也能跟上。但表情一激動，牙齒、臉頰和眼神偶爾就會有點不協調。
比較抽象的是聲音，我錄制的聲音完全沒生效，而是隨機在幾種不同的男/女聲中進行切換，畫面看起來異常詭異。
我讓他復刻招牌打坐慶祝，他先低頭，再抬了抬手，最后還是穩穩站在鏡頭前。
（圖源：雷科技）
看來Vidu S1只能造出一個會聊天的哈蘭德，但暫時造不出那個能在球場上跑起來的哈蘭德，可以改進的地方還是太多了。
AI讓「一分鐘創建一個世界」夢想成真
無獨有偶，今年初谷歌推出了Genie，最近靈光App也升級了世界模型體驗功能。
這類產品的宣傳點都很一致：用戶只要上傳一張圖片，AI就會自己解析畫面元素、理解什么是地面、什么是障礙物、角色該怎么動，把靜態畫面變成可以交互的視頻應用，聽起來跟小時候幻想的“隨便畫張圖就能變成游戲”差不多。
尤其是靈光App，公開展示里又是攻擊，又是射箭，又是施法的，看起來相當厲害，還沒有什么會員之類的資格限制，難免讓人手癢癢的。
（圖源：雷科技）
既然手癢了，那就去試試，咱們直接從系統推薦的圖片開始。
我選擇了“解鎖冷冽的高科技都市”，靈光自動上傳了一張高度類似于《賽博朋克2077》的場景截圖，等了不到半分鐘，系統就提醒我專屬世界已經就位了。
（圖源：雷科技）
這速度...真的假的？
你別說，靈光App還真就在短時間內生成了一個像模像樣的賽博朋克世界，你往前走，前方路徑會實時生成，你轉視角，鏡頭也會跟著同步調整，整個過程更像是在一個持續展開的空間里進行探索。
（圖源：雷科技）
生成完成后，畫面下方除了基礎方向鍵，還出現了一些個性化交互按鈕。第一眼看著確實比過去豐富，仿佛模型已經理解了圖片里的內容，專門設計了一套玩法。
實際按下去就會發現，這些按鈕更多只是讓這個世界播放不同的效果。
畫面里即便還有其他人物，也不能靠近對話，不能攻擊，甚至很難產生任何像樣的接觸。所謂交互，基本還是用戶控制一個角色，在AI持續生成的視頻里走來走去。
（圖源：雷科技）
而且這個操作延遲...移動角色差不多有1-2秒延遲，切換視角更是卡到嚇人。
為了測試它到底能不能看懂圖片，我又上傳了一張《怪物獵人》的游戲截圖。
（圖源：雷科技）
按理來說，畫面里有人物、有怪物，還有非常明確的戰斗場景，模型即便不能還原完整玩法，至少也應該根據內容生成攻擊、閃避或者狩獵相關的按鈕。
結果它并沒有。
系統給出的交互方式非常通用，跟圖片里的《怪物獵人》沒有多少關系。更抽象的是，角色才走了沒多久，原來的獵人就慢慢變成了悟空。
（圖源：雷科技）
看來模型確實知道這是一張游戲截圖，但至于玩的是啥游戲，它可能覺得都差不多，反正手里拿著東西打怪就行。
再來，這次我上傳了一張哈蘭德參加足球比賽的截圖。
這次的問題更直接。進入場景后，原本最關鍵的足球很快就消失了，系統也沒有讓我操控哈蘭德，反而選中了對面一名穿白衣服的球員。
這個角色沒辦法踢球，也不能跟哈蘭德或者其他球員產生有效互動。畫面里的球門、草地和觀眾更像背景貼紙，看著都在，實際上碰不到，也用不上。
更麻煩的是，一旦角色開始移動，整個畫面都會跟著發生變化。
（圖源：雷科技）
因為原圖里的元素本來就不多，模型又無法穩定記住人物和場景，角色稍微跑兩步，球場、球員位置甚至衣服細節都會重新生成。上一秒還在身邊的人，下一秒可能已經換了長相，連主控角色自己都像邊跑邊整容，隊服換了又換。
真要說有什么體驗好一點的...我覺得是POV視角的風景圖片吧。
給這玩意一張風景圖片，倒是真的能夠享受到在一個不存在的世界里旅行的感覺，只要你能忍受時不時的頓卡就行。
（圖源：雷科技）
當個新鮮玩具，玩個幾分鐘娛樂一下或許還行，長期的可玩性肯定是支撐不起的。
世界模型成了AI的下一個核心戰場？
說到這里，可能有人會覺得，既然畫質這么渣，Bug這么多，那這些廠商花這么多錢搞這個可交互的世界模型，是不是點錯科技樹了？
在我看來，恰恰相反。
這類模型和應用的出現，其意義遠不止做個游戲這么簡單，它代表了人工智能從“理解靜態世界”邁向了“模擬真實世界”的關鍵一步。
我們現在熟悉的Seedance、可靈這些視頻生成模型，雖然能做出足夠唬人的大片感畫面，但它們是被動展示的。觀眾只能看，不能互動。
（圖源：字節跳動）
而這些廠商發力世界模型，核心就是想讓AI理解：我做了一個動作，世界就會跟著變化，讓AI從被動展示到主動交互，從靜態敘事到動態推演，這也是通往更強通用智能的重要路徑之一。
試想一下，如果未來的靈光世界模型能進化到4K畫質、60幀，并且物理邏輯完全準確，那意味著什么？
直觀點說，這意味著我們不需要在現實中去訓練機器人了。我們可以讓AI機器人在靈光生成的虛擬世界里，摔倒一萬次，學會走路，學會拿杯子，然后再把這個算法加載到實體機器人身上。
當然了，目前盯著這個賽道的，可不止這幾家廠商。
OpenAI早在介紹Sora時，就曾把視頻模型放進世界模型的語境里討論；英偉達推出的Cosmos，同樣把重點放在物理世界模擬上；國內不少智能駕駛、機器人和游戲公司也在布局。大家都在賭，誰能先造出那個成熟的世界雛形。
對這個新領域而言，好戲才剛剛開場。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
