過去兩年，見證了國產視頻大模型的很多突破。

從底層模型到功能到效果，一點點對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。

單論視覺消費的形態(tài)，好萊塢定義了電影，YouTube定義了互聯(lián)網長視頻，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，這是全球首個真正意義上的「實時生成世界模型（Real-time World Model）」。

之前兩三年，AI 視頻領域的主旋律其實非常單一。

大家都在卷：畫質更高一點，時長更長一點，人物一致性再穩(wěn)一點，鏡頭語言再像人類導演一點。

說重要當然重要，但它解決的是同一個問題：如何更好地“生成一個結果”。

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

就像喬布斯定義的iPhone，在產品沒出來前，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，不像任何一個已經存在的產品，甚至不再把視頻當成一個“靜態(tài)結果”，第一次，給了一個可以實時交互的、活著的、流式生成的世界。

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

我甚至不知道該把它叫啥，不是游戲、不是AI，像個開放的個性內容新平臺。

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，讓我親身來當主角，自己來下定義。

02. 視頻不再是靜態(tài)文件，能隨時參與

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

它是死的。一旦生成，就已經結束了。

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候說：“等一下，讓火大一點”“天黑下來”“這個角色轉過身”。

PixVerse R1 現(xiàn)在可以實時生成了。

PixVerse R1里面設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)，上線一天的時間里，還在新增、還在完善，比如新加的冰山場景就很好玩。

先選擇這個冰山vlog，開啟體驗。

打雪仗、變雪人，都很流暢。

月球漫步這個，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“月球龍”，幾秒鐘視頻就出現(xiàn)了。

操作體驗非常簡單易上手，大家從官網進入直接用就行，幾乎不需要操作指南和教程。

很絲滑，而且每一刻的輸入，都會即時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)實一樣，被連續(xù)地采樣出來、現(xiàn)場此刻發(fā)生。

我的語言、情緒、意圖，可以實時驅動PixVerse R1這個「現(xiàn)實模擬器」。

能把世界模型做成實時的，底層架構一定是硬實力。

這是從系統(tǒng)層、推理層、延遲控制、資源調度全棧重構的結果，不是調參能調出來的。

03. 人人都能渲染游戲？

我第一次真正被 R1 打到，是在一個非常簡單、甚至有點幼稚的場景里。

我想要更多游戲化的交互，比如像寶可夢里玩法那樣。

于是讓它生成了一只可達鴨。

畫面出來之后，我沒有停下來重新生成，而是直接開口說：“讓火變藍色。”

火焰真的在畫面里慢慢變藍色。

我又說：“天黑下來，紅色光。”

環(huán)境不是純黑，而是像現(xiàn)實世界一樣，光線逐漸變化。

我說：“它轉過身。”

可達鴨轉了過來，看著我。

整個過程中，沒有重新生成的斷裂感。

除了給定的場景，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中搖曳。樹干是淡紫色的，掛著發(fā)光的粉色燈籠果實。一只發(fā)光的粉色小鹿（或者奇異生物）在森林中跳躍，每一步都會在地面上激起粉色的光暈漣漪。

速度響應比我想象要快，不需要切走屏幕，稍等即可。

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

整個過程就像是你在當上帝，隨手一揮，世界就變了。

說實話，我現(xiàn)在還想象不到它怎么和具身智能結合。

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

傳統(tǒng) AI 視頻，每一次修改，本質上都是一次“推翻重來”。

人是站在視頻外面，對結果指指點點。

但在 R1 里，我是在視頻里面，像做夢一樣，夢境在流動，而你可以控制夢的走向。

那種感覺，非常接近一種“上帝視角”的造物體驗。

你不是在使用工具，你是在掌控一個世界。

04. 交互的背后是技術：從按鈕到意圖

第二個讓我后背發(fā)涼的，是交互方式的變化。

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

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

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

PixVerse 自己用了一個詞，叫 Playable Reality。

它既不是視頻，也不是游戲，也不是虛擬世界，但又同時具備三者的特征。

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

核心目標是：把視頻生成，從“離線片段”，變成“連續(xù)、可交互、實時響應的視覺流”。

怎么做到的呢？簡單來說由三部分構成：「Omni基座模型 + 無限流式生成架構 + 實時生成引擎」

Omni基座模型，是一個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。

在訓練階段，它學習了大量真實世界的視頻數(shù)據(jù)，因此具備生成復雜、長時間一致場景的能力——也就是我們直觀感受到的“世界感”。

生成機制上，PixVerse R1采用的是自回歸生成，不是傳統(tǒng)擴散模型那種“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固定長度的視頻。

所以說，表面上是交互或者形式的創(chuàng)新，底層還是技術，還是新的架構設計。

05. 作為前字節(jié)人，說說我眼里的PixVerse

說點更個人的視角。

我不是今天才認識愛詩科技的。V1 到 V5.5，我?guī)缀跬暾娮C了 PixVerse 的進化路徑。

24年到25年，那時我在字節(jié)AI視頻業(yè)務做產品，也讓我對外部的創(chuàng)業(yè)團隊，更加佩服，因為他們真的用遠比大廠更少的資源，做出了更創(chuàng)新的事和更好的效果

后來，畫面、敘事、穩(wěn)定性一點點被補齊，畫布等等能力，做漫劇都不在話下。

但直到 R1，我才意識到：他們不只在做一個視頻模型產品，也在探索 AI 時代視頻的終極形態(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——務實的浪漫。

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

這是非常冒險的選擇。

也是只有真正的技術先行者，才敢做的選擇。

2024年初，Sora橫空出世。那時候，我看到了一個「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量級。

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，我又會隱約覺得哪里不對勁——它很強，但它沒有生命、沒有沉浸。

輸入 prompt，等，出結果；再改 prompt，再等，再出結果。整個過程完全是抽卡，是在和模型的隨機性做等待和對抗。

我會反復問自己一個問題：這是AI視頻的終點嗎？更自然的更好的交互在哪？

我們真的只是把“拍視頻”這件事，從攝影機換成了 prompt 嗎？

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

這個問題，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時刻。

而這一次，世界不再只是被觀看。

它開始回應你了。