一张图生成一个世界？Vidu S1体验：问题比想象的要多

我这人没什么养宠物的耐心，但却很喜欢折腾AI角色。有段时间，隔三岔五就去豆包、千问里翻别人的Bot。有人让诸葛亮来到现代，有人让霸道总裁教高数，还有人捏了个天天催自己上班的二次元老婆。好不好用先放一边，至少每次点进去，都不知道会遇上什么新品种的电子活人。

结果前阵子再打开，发现这帮Bot要集体毕业了，豆包、千问接连宣布下线相关功能。眼看聊天框里的电子朋友一个接一个消失，本来已经准备接受现实，结果转头又刷到一个更抽象的东西——Vidu S1。

（图源：Vidu）

Vidu S1是一个主打实时视频交互的模型。不同于普通的AI Bot，用户只需上传一张图片，模型就能快速理解角色的身份、外观和风格，并在交互过程中实时生成该角色的各种表情和动作，同时尽量保持形象与音色的统一。

既然大厂的Bot不让玩了，那干脆自己造一个。一个会说中文、能听懂指令，最好还能当场打坐的哈兰德，想想就挺有意思。

一张图就能生成可对话的哈兰德

Vidu S1的上手流程，其实比想象中要简单。这个模型本身完全公开，在手机应用商店搜索Vidu AI Pro下载最新版本，进入APP内点击Vidu S1即可体验。注意别下错成Vidu AI，这是两个不同的APP，容易混淆。

（图源：雷科技）

为了方便体验，Vidu S1里已经准备了一批预设角色。数量最多的是各式各样的妹子，从古装到现代，从魔幻到现实，此外还有一些动画角色、拆家狗子可供选择，多样性这一块是没啥问题。

先没急着上传图片，随便挑了一个聊了几句。选定角色后，通过麦克风直接发出语音指令，角色就会在画面中实时回应，并根据对话内容生成表情、口型，搭配上身子左右自然晃动，还真有几分在打视频通话的感觉。

（图源：雷科技）

就是这画面本身确实有点糊，看了一下最新规格，说是540P、25帧，只好当成网络不佳的效果来接受。

当然，这玩意的能力不止对口型，还可以直接用语音指挥角色做出不同动作。当发出“举起左手”的指令后，画面中的角色确实能够响应，对应的举手动作也很流畅，没有出现什么穿帮的情况。

（图源：雷科技）

稍微复杂一点的，比如推眼镜、撩头发，都算是能较好地完成。甚至提出了一个类似于“左手整理头发，右手整理衣襟，然后双手放在胸前比&心”的复合指令，角色也能勉强做到，就是没那么到位。

（图源：雷科技）

至于槽点，延迟挺大的。它的“实时”是站在AI视频角度说的，你讲完一句，角色往往还要停顿一下，再开始回答。这个速度放在视频生成里确实不赖，但放进视频通话里就很明显，尤其是角色还会一直盯着你，让人心里多少有些毛毛的。

动作也是同样的情况。为了防止穿帮，Vidu S1似乎在系统层面写死了不准转身的限制，无论怎么尝试角色都会拒绝，至于跳舞、上下蹲这类连续动作更是直接糊弄。属于是嘴上答应得很积极，身体只象征性地晃两下，有点像摆烂的样子。

（图源：雷科技）

当然，预设角色毕竟经过精心挑选，Vidu S1也支持用户上传图片创建自己的角色，接着就该试试自定义角色了。

先选了一张Q版角色，正好可以看看它在面对非常规体型时的处理效果。上传菲比啾比的图片后，填写角色描述，选择系统提供的预置音色，或者录制自己的声音，等个1分钟左右，一个自定义角色就完成了。

（图源：雷科技）

结果非常吓人，角色的动作和体型完全不匹配。当发出“跳起”的指令后，画面里的角色身体被骤然拉长，其他指令也都是类似橡胶人的效果。更别说设置的角色描述似乎完全没用，角色无论如何都会在那里自说自话。

（图源：雷科技）

最后，上传了一张挪威前锋哈兰德的图片。估计是因为训练集的缘故，真人图片比二次元要简单。静止时，Vidu S1能把五官和发型保持得不错；开始说话后，嘴型也能跟上。但表情一激动，牙齿、脸颊和眼神偶尔就会有点不协调。比较抽象的是声音，录制的声音完全没生效，而是随机在几种不同的男/女声中进行切换，画面看起来异常诡异。让角色复刻招牌打坐庆祝，他先是低头，再抬了抬手，最后还是稳稳站在镜头前。

（图源：雷科技）

看来Vidu S1只能造出一个会聊天的哈兰德，但暂时造不出那个能在球场上跑起来的哈兰德，可以改进的地方还是太多了。

AI让「一分钟创建一个世界」梦想成真

无独有偶，今年初谷歌推出了Genie，最近灵光App也升级了世界模型体验功能。这类产品的宣传点都很一致：用户只要上传一张图片，AI就会自己解析画面元素、理解什么是地面、什么是障碍物、角色该怎么动，把静态画面变成可以交互的视频应用，听起来跟小时候幻想的“随便画张图就能变成游戏”差不多。

尤其是灵光App，公开展示里又是攻击，又是射箭，又是施法的，看起来相当厉害，还没有什么会员之类的资格限制，难免让人手痒。

（图源：雷科技）

既然手痒了，那就去试试，直接从系统推荐的图片开始。选择“解锁冷冽的高科技都市”，灵光自动上传了一张高度类似于《赛博朋克2077》的场景截图，等了不到半分钟，系统就提醒专属世界已经就位了。

（图源：雷科技）

这速度，真的假的？灵光App还真就在短时间内生成了一个像模像样的赛博朋克世界。你往前走，前方路径会实时生成；你转视角，镜头也会跟着同步调整。整个过程更像是在一个持续展开的空间里进行探索。

（图源：雷科技）

生成完成后，画面下方除了基础方向键，还出现了一些个性化交互按钮。第一眼看着确实比过去丰富，仿佛模型已经理解了图片里的内容，专门设计了一套玩法。实际按下去就会发现，这些按钮更多只是让这个世界播放不同的效果。画面里即便还有其他人物，也不能靠近对话，不能攻击，甚至很难产生任何像样的接触。所谓交互，基本还是用户控制一个角色，在AI持续生成的视频里走来走去。

（图源：雷科技）

而且这个操作延迟，移动角色差不多有1-2秒延迟，切换视角更是卡到吓人。

为了测试它到底能不能看懂图片，又上传了一张《怪物猎人》的游戏截图。按理来说，画面里有人物、有怪物，还有非常明确的战斗场景，模型即便不能还原完整玩法，至少也应该根据内容生成攻击、闪避或者狩猎相关的按钮。结果它并没有。系统给出的交互方式非常通用，跟图片里的《怪物猎人》没有多少关系。更抽象的是，角色才走了没多久，原来的猎人就慢慢变成了悟空。

（图源：雷科技）

看来模型确实知道这是一张游戏截图，但至于玩的是啥游戏，它可能觉得都差不多，反正手里拿着东西打怪就行。

再来，这次上传了一张哈兰德参加足球比赛的截图。这次的问题更直接。进入场景后，原本最关键的足球很快就消失了，系统也没有让用户操控哈兰德，反而选中了对面一名穿白衣服的球员。这个角色没办法踢球，也不能跟哈兰德或者其他球员产生有效互动。画面里的球门、草地和观众更像背景贴纸，看着都在，实际上碰不到，也用不上。更麻烦的是，一旦角色开始移动，整个画面都会跟着发生变化。

（图源：雷科技）

因为原图里的元素本来就不多，模型又无法稳定记住人物和场景，角色稍微跑两步，球场、球员位置甚至衣服细节都会重新生成。上一秒还在身边的人，下一秒可能已经换了长相，连主控角色自己都像边跑边整容，队服换了又换。

真要说有什么体验好一点的，或许是POV视角的风景图片。给这玩意一张风景图片，倒是真的能够享受到在一个不存在的世界里旅行的感觉，只要你能忍受时不时出现的顿卡。

（图源：雷科技）

当个新鲜玩具，玩几分钟娱乐一下或许还行，长期的可玩性肯定是支撑不起的。

世界模型成了AI的下一个核心战场？

说到这里，可能有人会觉得，既然画质这么渣，Bug这么多，那这些厂商花这么多钱搞这个可交互的世界模型，是不是点错科技树了？从行业角度看，恰恰相反。

这类模型和应用的出现，其意义远不止做个游戏这么简单。它代表了人工智能从“理解静态世界”迈向了“模拟真实世界”的关键一步。我们现在熟悉的Seedance、可灵这些视频生成模型，虽然能做出足够唬人的大片感画面，但它们是被动展示的。观众只能看，不能互动。

（图源：字节跳动）

而这些厂商发力世界模型，核心就是想让AI理解：一个角色做了某个动作，世界就会跟着变化。让AI从被动展示到主动交互，从静态叙事到动态推演，这也是通往更强通用智能的重要路径之一。

试想一下，如果未来的灵光世界模型能进化到4K画质、60帧，并且物理逻辑完全准确，那意味着什么？直观点说，这意味着我们不需要在现实中去训练机器人了。可以让AI机器人在灵光生成的虚拟世界里，摔倒一万次，学会走路，学会拿杯子，然后再把这个算法加载到实体机器人身上。

当然了，目前盯着这个赛道的，可不止这几家厂商。OpenAI早在介绍Sora时，就曾把视频模型放进世界模型的语境里讨论；英伟达推出的Cosmos，同样把重点放在物理世界模拟上；国内不少智能驾驶、机器人和游戏公司也在布局。大家都在赌，谁能先造出那个成熟的世界雏形。

对这个新领域而言，好戏才刚刚开场。