為創作者拆解即時 AI 影片與世界模型

即時 AI 影片是現在生成式媒體裡最多人討論的前沿，同時也是定義最模糊的一塊。看是誰在講，它可能指一個生成速度比播放還快的模型、一個你可以在它跑的時候用鍵盤操控的模型，或是一個腦子裡裝著一整個模擬環境的模型。這是三個不同的技術問題，有三條不同的時間軸，而把它們壓成同一個標題，正是創作者最後圍著還不存在的能力做規劃的原因。

這篇文章要把這些詞分開。「即時生成」實際上在描述什麼、「世界模型」是什麼又不是什麼、誰在這個領域裡動工、真正的硬限制在哪，以及——對這個月手上有交付物的人來說最重要的部分——這對今天要出貨的工作改變了什麼、又沒有改變什麼。短版本是：正式的影片產出還是跑在批次模型上，而且還會這樣一陣子。

在 AI 影片裡，「即時」到底是什麼意思

多數創作者在用的模型是批次模型。你寫一份簡報、送出，模型把整支片當成一個單位規劃並生成出來，幾秒或幾分鐘之後你拿到一個完成的檔案。輸出的內容沒有任何一部分是在你看著的時候決定的。這次生成就是一個任務。

即時生成把這個循環反過來。模型不是產出一支完成的片，而是連續產出畫面，快到這道串流可以邊做邊看——而且關鍵是，快到中途送進來的輸入可以影響接下來的畫面。人們講「即時」的時候，通常指的是最後這個性質，而它更精確的說法是互動式影片生成。

同一個標籤底下其實藏了三種不同的宣稱：

第一種是最佳化。第三種是另一個類別的系統。

世界模型是什麼（又不是什麼）

世界模型不只是一個跑得比較久的影片模型。差別在於狀態。一個文生影片模型把提示詞映射成一串畫面；提示詞就是全部的指令，那串畫面就是全部的答案。世界模型則維持一個場景的內部表徵——裡面有什麼、東西在哪、它們怎麼運作——並把畫面當成那個表徵的一個_視角_生成出來，再依照動作去更新它。

這也是為什麼世界模型常常跟遊戲引擎一起被討論，而不是跟影片工具一起。這個比喻不完美，但很有用：

有趣的研究問題是持續性：如果你別過頭去再轉回來，那個物件還在嗎？還在同一個位置嗎？長得還一樣嗎？批次模型從來不必回答這個。世界模型的成敗就押在這上面。

值得注意的參賽者

有三群人在推這件事，而他們要的東西不一樣。

Google 的 Genie 系列世界模型

Google DeepMind 的 Genie 產品線是多數人引用的參考點。它的訴求是從一段提示詞或一張圖，做出可被動作驅動的可漫遊環境——你描述一個地方，然後在裡面移動，模型會生成接下來的每一個視角，而不是重播一段預先做好的畫面。公開示範強調的是在感覺得到反應的畫面率下互動，以及在一段連續探索裡撐得住的一致性；而它的定位明確地偏研究，動機裡被提到的代理人訓練和具身 AI，至少和內容創作一樣多。

PixVerse R1

PixVerse 把 R1 定位成一個即時世界模型，而不是又一次文生影片發布，並且瞄準創作者和遊戲週邊的受眾，把它行銷成 Genie 系列系統的替代方案。這個定位值得注意，因為它出自一家影片生成公司，而不是研究實驗室，這代表這個類別正在被當成一個產品面來認真對待，不只是一篇論文。在獨立的實測比較出現之前，請把具體規格當成服務商的定位說法看待——在這個領域，發表時的品質和實際出貨的品質分家過不只一次。

遊戲週邊的中間地帶

第三群最不上頭條，卻可能最有實質影響：把生成模型放進傳統引擎裡面或旁邊的工作。在引擎輸出之上再跑一層神經網路成像、生成的素材和環境餵進一條正常的產線、生成式的 NPC 行為、逐格套用的風格轉換。這些都不是完整的世界模型。但它們全都會更早出貨，因為它們繼承了引擎的確定性和控制力，只在生成真的比較好的地方才用生成。

決定時間軸的那些限制

在示範和可靠的創作工具之間，橫著四個問題。沒有一個接近解決，而且在其中一個上前進，往往要拿另一個來換。

延遲對上還原度。 互動性帶來一個硬性的每格運算預算：模型在下一格畫面到期之前能產出多少，你就只有多少。批次模型愛在一格上花多久就花多久。互動系統裡每一分品質，都得在那個預算內付掉，這也是為什麼互動式的輸出看起來比批次輸出落後一個世代——而且就算兩邊都在進步，它還是會一直落後。

解析度和細節。 同一個預算，換算到像素上。批次流程負擔得起精修和升頻階段；一個隨需生成畫面的系統通常負擔不起，至少不可能不加回它本來就想避開的那份延遲。

時間上的連貫性。 這是最深的一題。長時距的一致性需要記住已經生成過的東西，而記憶要花運算，那份運算又跟畫面預算互搶。物件慢慢飄移、幾何悄悄自相矛盾、同一個地點兩次造訪之間光線變了，都是同一個限制的症狀。這裡的進展是真的，但屬於漸進式；誠實的講法是：工作階段會一致一陣子，然後就不一致了。

控制的精準度。 只有當模型照你的意思回應輸入時，互動才有用。方向性的移動相對好處理。精準、可重現、逐格準確的執導——一位導演或遊戲設計師真正需要的那種——難得多，而且在「會即興發揮的系統」和「完全照指令做的系統」之間，還有一個沒解決的張力。

還有一個比較少被提到的經濟限制。一次批次生成是一個有邊界、可計費的任務。一次互動工作階段則是一道沒有終點的運算串流，而它的每一秒都有人要付錢。這件事早在研究做完之前，就已經在形塑這個類別的產品能長成什麼樣子。

這對創作者改變了什麼——又沒改變什麼

目前還沒改變的部分

如果你是在為客戶、檔期或觀眾出影片，即時世界模型現在不在你的產線上，假裝它在會讓你賠掉一個死線。成品畫質、解析度、聲音、鏡頭控制和參考圖的還原度，全都還住在批次模型裡——今天在 OmniArt 上就有的 Seedance、Veo、Kling、Sora、PixVerse 和 Grok Imagine 這幾代。它們每一個都是為互動系統選擇放棄的那件事而最佳化的：花上真實的運算，把一支片做到它能有的最好。

這也不是一條取代路線。互動式生成和批次生成，是同一組取捨的兩個相反端點。世界模型很出色的未來，不代表批次模型就過時了，就像即時遊戲引擎沒有讓離線的電影級成像變得過時一樣。

真的改變了的部分

現在有三件事值得調整。

• 前期視覺化會最先變便宜。 可操控生成最早真正有用的應用，是在投入一次完整生成之前，先探索一個空間或一個走位想法。當你還在決定的時候，粗糙、可互動、隨時能改，勝過精緻但很慢。
• 提示詞不再是唯一的介面。 當模型能接收持續進來的輸入，簡報就會愈來愈不像一段文章，愈來愈像執導——一個起始狀態，加上一連串意圖。已經習慣用鏡頭和節拍思考、而不是用句子思考的創作者，會適應得更快。
• 遊戲週邊的工作會比電影週邊的工作先開放。 互動媒體願意用較低的還原度換反應速度，因為觀眾是在參與，不是在觀看。那會是這項技術第一個真正有競爭力的地方。

可以帶著走的能力

你在今天的模型上學到的東西，沒有一樣是浪費的。精準地描述一個場景、指定鏡頭和光線、讓一個角色或一種質感貫穿多顆鏡頭，以及養成一套可重複的評估習慣——同一份簡報、同一批參考素材、同一張評分表，拿去跑任何新東西——這些全都能直接移植。介面會變；把自己想要什麼講清楚的這門手藝不會。

你今天在 OmniArt 上可以做什麼

OmniArt 沒有提供即時的世界模型生成，我們寧可直說，也不想把這條線抹糊。影片工作台真正提供的，是把現在這批批次模型放在同一個地方——Seedance 2.0、Veo 3.1、Kling、Sora 2、PixVerse V6 和 C1、Google Gemini Omni、Happy Horse，還有 Grok Imagine——共用一份餘額，共用一套提示詞語法。

這件事對互動式的未來，比聽起來更有用。準備好的方法，是把會帶著走的部分練快：

1. 在便宜的級距上迭代。 先用 fast 或 mini 變體把一顆鏡頭做成草稿，把構圖和動態定下來，再用同一份簡報跑更高的級距。這是互動循環的批次版本，也是你搞懂一份簡報真正在要什麼的方式。
2. 用「續接」的方式工作，不要每次都一次到位。 OmniArt 有專門的 Grok Imagine Extend 和 Modify 模型，直接作用在一支已完成的片上——延長它或改動它，而不是從頭重生成——而且 Extend 可以吃影片工作台裡任何模型產出的畫面。你也可以手動串接：用轉場模式，或把一支片的最後一格餵回去當成下一支的起始圖。無論哪一種，用續接思考，練的正是互動式生成將來會要求的那種循序、有狀態意識的習慣。
3. 用同一份簡報比較模型。 一段提示詞、好幾個模型，並排看。這是這個領域裡唯一誠實的評估方式，也是讓你能用一個下午、而不是一整季，去判斷一項真正的新能力的習慣。

想完整逛一遍工作台裡的模型，請看所有 AI 影片模型集中在一個工作台。想現在就開一顆鏡頭，就到創作頁面。

常見問題

創作者今天可以用到即時 AI 影片嗎？

快速生成可以。真正可互動、可操控的生成還是一項正在冒出頭的能力，目前是示範和早期產品，不是可靠的量產工具。要交付的影片工作，跑在批次模型上。

世界模型和文生影片模型差在哪裡？

文生影片模型把一段提示詞變成一支完成的片。世界模型維持一個場景的持續內部狀態，並依照持續進來的動作生成它的視角，所以「你再回到同一個地方時的一致性」比單支片的畫質更重要。

世界模型會取代批次影片模型嗎？

不太可能，至少不會整個類別取代。兩者最佳化的是同一組「延遲對還原度」取捨的相反端點，所以把它們理解成互補的工具，比理解成前後代更貼近事實。

我現在該學什麼才算準備好？

精準的場景描述、鏡頭和光線的執導、跨鏡頭的一致性，以及一套可重複的比較習慣。不管介面最後長成什麼樣，這些全都能帶著走。