短短幾天內(nèi)，AI 圈幾乎是連珠炮式地發(fā)布了一系列重磅世界模型。
先是李飛飛的 World Labs 開源了 Spark 2.0，緊接著騰訊在昨天正式發(fā)布并開源了混元 3D 世界模型 2.0（HY-World 2.0）。
阿里也馬不停蹄，新成立的 ATH 旗下創(chuàng)新事業(yè)部團(tuán)隊，剛剛才官宣了 HappyHorse，立刻又發(fā)布世界模型 HappyOyster。
最容易忽略的還有英偉達(dá) Lyra 2.0，沒有發(fā)布會和新聞稿，旗下的空間智能實驗室直接甩出一篇論文，「可探索的生成式 3D 世界?！?/p>
這種密集程度讓人產(chǎn)生一種錯覺，那些生圖生視頻模型是不是都弱爆了?，F(xiàn)在的 AI 已經(jīng)從「生成一張圖、一段視頻」的平面階段，大步來到「構(gòu)建一個世界」的 3D 空間時代。
不僅技術(shù)端在狂飆，資本市場也給出了強(qiáng)烈的回應(yīng)。
今天，群核科技正式登陸港交所。這家空間智能公司一直致力于推動 AI 進(jìn)入物理世界。它的成功上市，標(biāo)志著「世界模型第一股」的正式誕生，也向外界釋放了一個明確信號：世界模型，真的開始火了。
而在熱鬧之余，我們也發(fā)現(xiàn)雖然這些公司都叫世界模型，但是路線完全不同，只能生成視頻的像是一個 Demo 產(chǎn)品；能生成 3D 資產(chǎn)的看似可以融入開發(fā)設(shè)計的工作流；還有在論文里的未來工作暢想，希望用于機(jī)器人的訓(xùn)練。
從看電影到開始游戲
此前我們聊世界模型，大多像在聊一個「更長、更懂物理規(guī)律、一致性保持更強(qiáng)的視頻」。但這次體驗混元 2.0，最直接的沖擊力在于，它生成的不再是 MP4，而是真正的 3D 資產(chǎn)文件。
在體驗中，我用簡單的提示詞輸入了「吉卜力風(fēng)格的山間小鎮(zhèn)，黃昏」。在幾分鐘的計算后，出現(xiàn)在屏幕上的畫面像是一個大世界游戲。
點擊下載，混元 3D 提供了全景圖、Splats 的 .spz 文件和 .ply 文件，以及 Collider mesh 一共四種 3D 資產(chǎn)文件格式。
四種文件類型涵蓋了 Mesh（三角面片網(wǎng)格）、3DGS（3D 高斯?jié)姙R）、點云等多種格式的 3D 資產(chǎn)文件，這些文件可以直接導(dǎo)入 Unity、Unreal Engine，游戲開發(fā)者拿到手之后可以繼續(xù)編輯、調(diào)整、搭建關(guān)卡。
在世界生成任務(wù)上，除了常見的文生世界，混元 3D 同樣支持圖生世界。我們找了一張《拯救計劃》電影截圖，Rocky 最后在波江座人給他搭建的世界里漫步，讓混元來還原整個波江座。
當(dāng)使用 Unsplash 上下載的高清雪山圖片時，混元 3D 世界模型 2.0 生成的雪景，畫質(zhì)和真實感都更強(qiáng)。
無論是上傳圖片還是文字提示詞，應(yīng)用內(nèi)都有相關(guān)的指引，例如上傳的圖片分辨率不能小于 512*512，避免畫面出現(xiàn)人物，不要有動物 / 人物特寫，避免使用純色、純紋理圖片；以及天空、星空等畫面占比較大圖片也不適合等。
而文本提示詞，最好是場景類別（沙漠、海面、房間等）+ 場景特征（物體、天空等視覺描述）+ 風(fēng)格（可選，卡通 / 寫實 / 油畫風(fēng)格等）。
混元 3D 世界模型 2.0 的風(fēng)格化控制表現(xiàn)也很好，從官網(wǎng)已有的世界案例能看到，無論是溫馨的繪本風(fēng)還是寫實的游戲風(fēng)，它對語義的解析非常精準(zhǔn)；墻壁的紋理、地牢的陰影和光感都極具沉浸感。
現(xiàn)在我們可以直接操控一個角色在剛剛生成的場景里行走、加速、跳躍、轉(zhuǎn)彎、探索，整個過程就像是在玩一個大世界游戲。同時，它自帶物理碰撞，角色不會穿墻而過，也不會掉出地圖邊緣。
實時生世界時，我們能直接控制角色的行動，混元 3D 模型會自動生成對應(yīng)的世界，單次生成的時長是一分鐘。
新的模型架構(gòu)，打通了「理解、生成、重建」的閉環(huán)。
HY-Pano-2.0： 不需要專業(yè)的相機(jī)參數(shù)，普通圖片就能映射出 360 ° 全景。
空間 Agent 技術(shù)： 像給 AI 裝上了導(dǎo)航，它能智能規(guī)劃漫游軌跡，確保護(hù)理和視覺上的銜接不會穿幫。
HY-WorldMirror 2.0： 保證了即使是在大幅度的視角變換下，物體側(cè)面和背面的完整度依然在線。
在世界重建任務(wù)上，混元世界模型 2.0 輸入多張圖或視頻流，就能做到重建真實場景。
并且，這個創(chuàng)意，無論是以文字、圖片還是視頻的形式呈現(xiàn)，它都可以生成一個拖進(jìn) Unity 的原型，哪怕質(zhì)量還需要調(diào)整，哪怕很多細(xì)節(jié)還要人工修改，但整個設(shè)計的工作流，AI 也開始在發(fā)力了。
瘋狂的世界模型周，瘋狂的 AI
當(dāng)我們再把視線從混元 3D 世界模型 2.0 的資產(chǎn)生成、角色模式、世界重建，拉回本周連發(fā)的其他幾個世界模型，我們會發(fā)現(xiàn)，這些不同在不同維度突圍的世界模型，正共同拼湊出世界模型更明確的樣子。
阿里 HappyOyster 目前還在主打漫游和導(dǎo)演模式，讓我們用自然語言隨時介入世界演化，改寫劇情走向和角色動作。
英偉達(dá) Lyra 2.0 用一張圖就能生成長達(dá) 90 米的連貫 3D 環(huán)境，它生成的場景甚至能直接丟進(jìn) Isaac Sim 給機(jī)器人做物理訓(xùn)練。
李飛飛 Spark 2.0 打通「交付最后一公里」，前面那些模型都在解決怎么造世界，而 Spark 2.0 已經(jīng)開始解決怎么給人看。它通過獨創(chuàng)的流式加載和虛擬內(nèi)存技術(shù)，把上億個 3DGS 粒子的超大世界，硬生生塞進(jìn)了普通手機(jī)的網(wǎng)頁瀏覽器里。
看著這些各顯神通的世界模型界面，一個現(xiàn)實的結(jié)論是：很明顯，世界模型還沒迎來它的 ChatGPT 時刻。
四家公司這一周的密集發(fā)布更像是在為這個時刻做準(zhǔn)備，畫面質(zhì)量、交互能力、資產(chǎn)格式、交付方式、仿真精度，每個都在朝著自己的方向優(yōu)化。但把這些塊拼成一個「讓普通人愿意每天打開」的產(chǎn)品，還沒有模型做到。
在過去兩年里，隨著 AI Coding 重塑代碼開發(fā)、Nano Banana 等模型顛覆平面設(shè)計，前端工程師和平面設(shè)計師們已經(jīng)經(jīng)歷了「xxx is DEAD」?，F(xiàn)在，這朵雪花大概是要飄到 3D 設(shè)計的護(hù)城河上。
隨著更多模型廠商的下場，3D 設(shè)計的工作流也會慢慢從 AI 輔助走向 AI 主導(dǎo)。到那時，生成并體驗一個 3D 互動世界，將會像今天我們在手機(jī)上刷短視頻一樣流暢、低成本且理所當(dāng)然。
畢竟，在所有的科幻敘事里，沒有任何人會抗拒自己成為「造物主」，去自定義一個新世界。
