属实给我整精神了，AI啥时候会干的这事？？

不卖关子了，这是HappyOyster 1.0（快乐生蚝）实现的，阿里ATH推出的可实时构建和交互的开放式世界模型产品。

看到世界模型四个字，可能有朋友好奇：这和我之前玩的Sora那些有啥区别？不都是AI生成画面嘛？

嗯……还真不是一回事。

咱先简单聊两句行业现状啊，过去这一年多，AI视频赛道卷得确实热闹，各种产品轮番上场，画面精度一个比一个高，看着确实挺惊艳。

但用多了就会发现一个共性问题：它们都是「单程票」。

你写一段描述，模型渲染出一段视频，生成完，就完了，然后你就只能看，更不能跟画面里的角色互动。

而且时间一拉长，画面大概率就会崩坏，比如角色前一秒拿着剑后一秒空手了，走两步脸都换了一张。

这也是为啥市面上AI视频基本都是短片段，不是不想做长，是长了真绷不住啊……

说白了，当前文生视频的天花板，就是一段好看但不可更改的影像素材；

而HappyOyster 1.0做的是一件完全不同的事——

打造一个完整可演绎、可探索、可互动的数字世界。

画面生成出来的那一刻，体验才刚开始。你可以一边看一边下指令，世界实时反馈并持续演化。

就好像以前你是观众，现在你成了世界的…主人。

那这只快乐生蚝到底有多快乐呢？？下面就继续实打实测一波！

世界是活的，你就是主角

HappyOyster 1.0主打两大核心模式：Adventure（世界探索）和Directing（实时导演）。

Adventure是「用动作探索，世界即刻延展」的开放漫游模式，你亲自下场当主角；

Directing是「用镜头叙事，故事随心掌控」的导播执导模式，你站在世界之上当导演。

一个管“身体”，一个管“脑子”，覆盖了两种截然不同的创作和体验诉求。

咱先来体验Adventure模式。

我丢了一张吉卜力风格的草原图进去，画面生成的一瞬间直接把我拉了进去，整个画面是活的，在等我操作。

那我就不客气了，直接动手！

1.0版本新增了一套很丰富的交互按键，有加速、下蹲、攻击、跳跃，操作手感跟你玩的3A大作相当接近。

我按了一下前冲，少年迈腿就跑起来；按攻击键，少年开始挥剑；再按跳跃，少年腾空而起，落地那一刻角色屈膝动作，镜头有个上升和下坠的变化，这细节属实拉满了。

关键是，这些全都不是预先做好的动画素材，是模型根据你的操作实时推演出来的。

为啥这么说呢？因为同一个场景我反复试了好几次，每次动作角度不一样，角色的姿态也不一样。

而且模型有个很聪明的设定，它会根据场景内容自动匹配可玩的交互方式。

比如我这个画面里有马车，世界就会解锁骑马互动彩蛋。少年走到马车旁，触发对应操作指令，就能直接上马骑行！！

如果创建的世界里有汽车，那么就会自动匹配开关车灯、鸣笛的玩法，主打一个「画面有什么，就能玩什么」。

而且探索过程中还能随时截屏留存画面，也能保存世界，一键对外分享链接，别人点进来就能看到你创建的完整世界。

意思是，方便发朋友圈了（doge）。

如果说Adventure是让你下场当主角，那Directing就更过瘾了，直接让你当导演。

Directing支持多模态参考，@一张图片就能锁定角色外观，咱直接就是一个POV恋爱互动先安排上！

我给她设定了一个近景特写镜头，全程第一视角对视，然后随手打了几条互动指令，效果be like：

好好好，AI生视频这下都吃上自助餐了，我狂吃！

而且1.0版本在Directing模式上做了几个相当重磅的升级，体验完之后我只想说：这才是创作者的终极玩具！

我先用一条prompt启动了一段剧情：

在舞台上，两个人面对面激烈争吵。

看了大概二十秒之后，我觉得剧情可以转折了。

于是我输入了一条新指令：

他们突然释怀了，紧紧拥抱在一起。

接收到新指令后，两个角色的表情开始缓和，身体从对抗姿态慢慢转向靠近，最后紧紧拥抱在一起。

而且，整个过程中，不光是场景，两个角色的脸、衣服、体态、发型完全没有变！！

好戏还没完——

1.0另外杀手锏功能是回溯和剧情分支。

比如，我可以直接回退到争吵的那个节点，换条完全不同的指令，画面就会重新演化。

或者从同一个节点续写，设计出A、B两条完全不同的故事线。

等等，这不就是创作者梦寐以求的平行宇宙嘛！！！

而且所有这些操作都是流式生成的，即说即演，不用等渲染。你随时插话，剧情随时响应，这对内容行业来说，属实是黑科技啊……

更贴心的是，官方还写了份体验指南放在网页上，教你怎么创建更好的世界～

为什么能让世界动起来？

上面体验了这么多，估计有朋友已经按捺不住了：

这玩意儿到底是怎么做到的？跟文生视频在技术上有啥区别？

咱先把最根本的概念差异说清楚：

文生视频的工作方式是文本→视频的单向条件映射，你输入一段描述，模型一次性离线渲染出一段固定的像素序列。

世界模型学的则是一套完全不同的东西，是当前状态+用户动作→下一个状态的转移规律。

△图片AI生成

这就要求模型必须同时具备三重能力：物理规律的隐式建模、长程因果链路的追踪、外部干预的即时响应。

首先要说的就是闭环世界状态建模。

要让一个世界持续运行，最朴素的思路是记住所有历史画面，每生成新一帧，就回头看前面所有帧来保持连贯性。

但问题是，这么干计算量会指数级膨胀，时间一长直接寄。

HappyOyster 1.0在这里把世界状态压缩成隐状态摘要（Latent State），在生成链路上递归传递，支撑长程一致性。

就像接力跑一样，跑下一棒之前，上一棒把「关于现在世界的一切」写成一张纸条递过去，一棒一棒往后传。

每生成新的一帧，模型只需要拿到上一帧的那张纸条加上你新发出的指令，就能推演出下一帧。

所以几分钟下来世界不会乱、因果关系不会断。

而且1.0版本因为这个纸条可以被存档，所以暂停、回溯、分支叙事这些功能就自然而然实现了。本质上就是在某个时间点把纸条存一份副本，想从哪继续就从哪继续。

一个架构设计，直接把产品的交互想象空间整个撑开了。

△图片AI生成

第二项核心技术，是内生一致性，解决了生成画面里角色频繁换脸的痛点。

文生视频最头疼的问题就是主体漂移，人物走几步脸就变了，衣服颜色也跟着跑偏。

HappyOyster 1.0以持久的参考表征参与全程注意力来解这个问题。通俗点说，就是给每个角色、物品、场景元素都发了一张「身份卡」。

不管镜头怎么切、角色怎么转身、被其他物体遮挡多久再出现，模型每次生成新画面时都会对着身份卡检查，保证角色不变样不变形。

还有开放因果动作空间，打通动作与语言的表达逻辑。

很多交互式系统的做法是预定义一个动作集，比如能跳、能跑，但只能做这些。

HappyOyster 1.0把动作指令和自然语言放进了同一个语义接口。

比如，你说骑上那匹马，模型就自己推演出上马的完整动作序列和马开始跑的物理反馈。

动作空间是开放的，语言本身就是遥控器，不需要任何人工预设，模型自己就能推演因果。

最后说说长时序音视频协同。

HappyOyster 1.0的音频和视频是在同一个世界状态下联合解码生成的，不是先出画面再配音。

这意味着脚步声跟着你走、雨声跟着天气变、打击音效跟着攻击动作来，真正做到了声画物理合规。

这四大技术一起协同发力，这个世界才能真正活起来。

不过技术做得好不好，光靠体验感受还不够，得有量化标准来衡量。

但世界模型作为一个新兴领域，目前行业里还缺乏一套针对“世界逻辑”的系统性评测基准。

针对这个痛点，HappyOyster团队正在牵头与南京大学共建世界模型评测基准，这也说明，HappyOyster不只是在做产品，更承担起定义赛道标准的责任。

谁能第一个吃到这只生蚝？

从传统文生视频生成一段固定影像，到世界模型搭建可进入、可操控、持续自主运转的完整数字空间，HappyOyster 1.0正是这条全新路线的落地先行者。

它把AI的生成能力从单向输变成了双向实时交互。

而且，一旦世界模型走通了这条路，很多行业的想象空间就变大了。

比如说游戏行业，不用搭建庞大的美术资产库、配置复杂的物理引擎，给HappyOyster 1.0丢一张概念图，很快就能跑出一个具备物理反馈和NPC交互的可玩场景。

在内容生成赛道上，如果一个剧本能分叉出十条故事线，观众自己选走向，那就可能催生一个全新的互动内容业态。

除此之外，文旅景区做虚拟漫游、博物馆做沉浸式历史还原……都可以用HappyOyster 1.0进行沉浸式体验。

现在，HappyOyster 1.0已经正式上线，用手机号注册就能玩！此外，API计划在近期开放。接下来无论是游戏创作、短剧生成、文娱体验，还是数字人直播、虚拟陪伴，都可以用上世界模型，给用户带来全新的交互体验。

这意味着人人都有机会亲手搭建、操控自己的专属虚拟世界，想想就「狠」带劲！

阿里这次属实是打开了大家的想象力，以后谁还满足于只看视频啊……