这两天，我刷到了一支很火的Demo，来自一家叫XGEN的世界模型团队，播放量已经突破140万了！

XGEN的这次发布，还被海外AI圈很有影响力的AK转发了。

片子讲了一个有点像许愿游戏的故事。在一个下雨的西部小镇，送货少年只要说出自己的愿望，眼前的世界就会立刻发生变化。

他说，希望雨停下来，雨滴就真的悬在了空中；他说，想要一匹更快的马，驴瞬间变成骏马。

屏幕上一直显示着虚拟摇杆和Live control语音条，少年继续用语音改变周围的世界，他许下的愿望越来越大，连一副巨大的鲸鱼架都出现在了小镇上空。

但有意思的是结尾部分。几个月后，小镇已经被这些愿望改变。出现在天空中的鲸鱼架，没有随着镜头结束而消失，而是被镇民改成了一座舞厅。

玩家做过的事，不只临时改变了画面，还被这个世界记了下来。

很多AI视频都能把愿望画出来，但XGEN想验证的是，如果AI能够记住每一次行动留下的后果，视频会不会从一段看完就结束的内容，变成一个持续运行的世界呢？

1视频模型和世界模型，正在演化成两条不同的路线。

过去两年，视频模型主要解决的是生产问题。用户写提示词，模型生成画面，最后交付的是一个可以播放的文件。

但世界模型关心的不是怎么把视频做得更快，而是画面能不能变成一个可以进入的环境。它得持续记住角色、物体和已经发生的事，既保留视频的表现力，同时允许用户在过程中改变事情。

更重要的是，这些改变不能只做成即时特效，还要进入后续的运行逻辑。

虽然传统游戏也有很多地图、任务和反馈，但都是开发团队提前设计好的。生成式世界想往前走一步，让更多变化在运行过程中实时发生。

XGEN想试的是，让AI实时呈现体验，同时让世界的状态继续运转。在它的Demo里，语音和摇杆会直接影响环境，而且这些影响都会进入后续剧情里。

如果这条路能走通，创作者制作的可能不再是一段剧情，而是一个能容纳剧情的空间。用户进入以后，故事才真正开始。

2当然，想法是一回事，技术上能不能做到又是另一回事。

XGEN是如何保证画面能自洽的呢？很多生成模型擅长画出合理的下一帧，却不擅长长期维护事实。镜头转开以后，物体可能换位置，角色状态也可能被重置。

我去看了一下XGEN公开的技术路线，它把系统拆成了JING和DAO。简单来说，JING主要管你眼前经历什么，DAO管你看不见的时候，这个世界还在发生什么。

你操作角色、说出愿望，JING负责把这些变化呈现出来。镜头转开以后，DAO会继续维护人物、物体和世界规则，让此前发生的事情接着往下发展。

所以它要解决的不只是把前面的内容存下来，而是让玩家造成的变化，变成这个世界接下来运行的一部分。你走过留下痕迹，痕迹又会影响下一刻。

3Demo最后，镜头从小镇拉回现实。

有人戴着VR头显，有人拿着平板，最后连一个戴牛仔帽的机器人，也坐在屏幕前看着同一个世界。

这不是随手加进去的彩蛋，而是透露了XGEN想去的方向。XGEN把这种关系叫作双向门，一个入口，两个方向。

一个方向朝着人。以前我们和视频、和虚拟世界之间的关系基本只有观看，最多算是围观。

但XGEN 想做的，是让人也可以进入AI生成的世界，在里面探索、做决定，跟其他人、跟 AI 一起经历某段情节。

另一个方向朝着 AI，这个视角可能是很多人一开始没想到的。更长期来看，是希望 AI 也能先在这样的环境里行动、试错，再把学到的东西用到现实任务里。

现实里的机器人经不起无限次试错，危险场景也不适合反复重演。一个有状态的生成世界，可以先让智能体在里面学习，并面对自己造成的后果。

4世界模型，正在变成越来越多 AI 公司关注的方向，Google、NVIDIA、World Labs、字节都在往这里走。

XGEN 这次让我比较在意的，倒不是又多了一个世界模型团队，而是它把一个很具体的问题摆到了眼前：以前 AI 生成的是一段看完就结束的视频，未来有没有可能生成一个你退出以后，还会继续发生事情的地方？

当然，现在还不能把 XGEN 的这个原型当成一款成熟的消费产品。它目前仍然是研究预览，离一个稳定、人人都能使用的生成世界还有距离。

最后它会长成游戏、内容平台，还是 AI 的训练环境，现在都很难下结论。但如果这种方向继续往前走，视频可能真的不会再只有开头和结尾。

当我们关掉屏幕后，里面的故事还在继续。