世界模型的門檻，谷歌可能邁過去了

文 | 世界模型工場

Google可能要放大招了。

就在Google I/O 2026開幕前夕，兩條由Google尚未發(fā)布的新視頻模型Gemini Omni生成的視頻悄悄流出。

沒有任何官方預(yù)告，沒有任何發(fā)布會(huì)造勢，整個(gè)社交媒體都炸翻了。

一條視頻是一位教授站在黑板前，手持粉筆，一步步推導(dǎo)三角恒等式；

另一條是兩名男士坐在海邊高檔餐廳，安靜地吃意大利面。

Reddit和X的評(píng)論區(qū)，鋪天蓋地的都是同一句話："這不可能是現(xiàn)有的技術(shù)水平。"

兩個(gè)看似普通的日常場景，為什么讓見慣了AI生成內(nèi)容的技術(shù)圈集體側(cè)目？

令人震驚的視頻

先說“教授黑板講課”視頻，生成它只用了一條prompt：

"一位教授在傳統(tǒng)黑板上寫出三角恒等式的數(shù)學(xué)證明，同時(shí)用語言解釋他當(dāng)前正在推導(dǎo)的步驟。"

一條指令，沒有多輪對(duì)話，沒有分步驟控制。

出來的結(jié)果是，教授手持粉筆，逐步寫下公式，同時(shí)開口講解，畫面流暢，板書工整。

聽起來好像平平無奇。

但如果你了解當(dāng)前視頻生成模型的技術(shù)邊界在哪里，就會(huì)明白Gemini Omni同時(shí)做到了三件事，而這三件事，以前從來不會(huì)同時(shí)出現(xiàn)。

第一，推理對(duì)了。

黑板上的證明過程在數(shù)學(xué)上是成立的，不是視覺上長得像公式的符號(hào)堆砌，而是數(shù)學(xué)意義上真實(shí)有效的推導(dǎo)。

要做到這一點(diǎn)，模型至少要在token預(yù)測之外，具備一定的符號(hào)推理能力（symbolic reasoning）。

即知道下一步應(yīng)該出現(xiàn)什么公式，而不是隨機(jī)采樣一個(gè)看起來像數(shù)學(xué)的圖案。

語義準(zhǔn)確性疊加在視覺生成之上，正是大多數(shù)視頻模型會(huì)在這類測試中失敗的原因。

第二，空間關(guān)系對(duì)了。

評(píng)測者描述，粉筆書寫時(shí)的手部和手臂動(dòng)作"讀起來是自然的"，黑板上的方程式清晰可辨。

手部，是AI視頻生成里公認(rèn)最容易穿幫的地方。

手指數(shù)量錯(cuò)誤、關(guān)節(jié)扭曲、與物體的空間關(guān)系失真，這是行業(yè)里幾乎每一代視頻模型都栽過的坑。

一支粉筆被正確握持，在黑板上留下有意義的筆跡，手腕的力道、落筆的角度，都在合理的范圍內(nèi)。

這一關(guān)，比畫一只正常的手還要難，因?yàn)槭衷谶@里還要和黑板、粉筆、書寫行為，形成完整的空間邏輯。

第三，時(shí)序?qū)α恕?/p>

這是最被低估的一件事。

教授寫下某個(gè)推導(dǎo)步驟的同時(shí)，口頭講解的正是這個(gè)步驟，板書進(jìn)度與語音內(nèi)容保持同步。

這不只是音視頻的幀級(jí)對(duì)齊（frame-level alignment），而是視覺事件、語義事件、時(shí)間事件三者之間的跨模態(tài)協(xié)調(diào)。

任何一個(gè)維度的理解出現(xiàn)偏差，結(jié)果就會(huì)是"手在寫A，嘴在講C"。

這種錯(cuò)位，人類觀眾一眼就能感知到。

如果這三件事只是分別做到，我們可以認(rèn)為是三個(gè)專項(xiàng)模塊拼在一起的結(jié)果。

但三者同時(shí)成立、彼此協(xié)調(diào)，更可能是模型在某個(gè)表征層面上，已經(jīng)對(duì)"教授在黑板上講課"這件事形成了整體性的語義理解。

換句話說，它知道這件事在現(xiàn)實(shí)世界里是什么樣子，知道其中各個(gè)元素之間的約束關(guān)系。

這也是為什么"世界模型"這個(gè)詞，會(huì)在這條視頻流出后開始被頻繁提及。

在黑板視頻流出的同時(shí)，還有另一條視頻一起曝光：兩名男士在海邊高檔餐廳吃意大利面。

這個(gè)場景的選擇，不是隨機(jī)的。

2024年，一段AI生成的"Will Smith吃意大利面"視頻在網(wǎng)上瘋傳。

畫面里的手指數(shù)量不對(duì)，面條像活物一樣扭動(dòng)，叉子和嘴的空間關(guān)系完全失控。

那段視頻成了早期AI視頻生成能力的恥辱柱。

圖為"Will Smith吃意大利面"視頻截圖

而這一次，Gemini Omni生成的結(jié)果，有用戶評(píng)論是"令人難以置信地真實(shí)"。

這背后考驗(yàn)的，是模型對(duì)剛體與柔性體之間動(dòng)態(tài)交互的建模能力：

叉子是硬的，面條是軟的，兩者在接觸時(shí)會(huì)產(chǎn)生形變，而形變的方式必須符合現(xiàn)實(shí)世界里的物理直覺。

這正是早期生成模型在隱式物理模擬（implicit physics simulation）上的致命短板。

一個(gè)模型，在兩條視頻里，分別碰到了視頻生成最難的兩類問題：

一類是符號(hào)、語音與畫面的同步，另一類是人與物體、剛體與柔性體的交互，并把這些問題推進(jìn)到一個(gè)更可用的狀態(tài)。

Gemini Omni展示的，更像是一個(gè)對(duì)世界有著更深理解的基座模型。

Gemini Omni的沖擊

截至目前，Google還沒有發(fā)布Gemini Omni的任何技術(shù)文檔，也沒有公開任何模型參數(shù)或基準(zhǔn)測試數(shù)據(jù)。

但關(guān)于Gemini Omni的架構(gòu)，目前外界存在三種解讀。

最保守的說法是，Omni只是Veo的品牌重命名，底層推理引擎沒有根本變化；

第二種說法是，Omni是在Gemini架構(gòu)下重新訓(xùn)練的全新視頻模型，與Veo并行但獨(dú)立；

第三種說法最激進(jìn)，認(rèn)為Omni是一個(gè)真正意義上的原生多模態(tài)統(tǒng)一模型，在單一架構(gòu)里原生處理文字、圖像、視頻和音頻。

基于以上兩段視頻的表現(xiàn)，第三種解讀反而像是"Omni"這個(gè)命名最合理的指向，畢竟在拉丁語中，"omnis"意味著所有。

如果Omni真正打通了多模態(tài)鏈路，模型競爭的焦點(diǎn)就會(huì)發(fā)生根本性的轉(zhuǎn)變。

不再是誰能拍出更像電影的畫面，而是誰是內(nèi)容創(chuàng)作者的唯一目的地。

雖然現(xiàn)在還不能說Gemini Omni已經(jīng)是世界模型，但它至少說明，視頻生成正在逼近世界模型要解決的問題：

如何在時(shí)間中維持一個(gè)可解釋、可編輯、可連續(xù)推演的場景。

產(chǎn)品層面的沖擊同樣不容忽視。

今天一條AI視頻的生產(chǎn)鏈路，通常需要串聯(lián)語言模型寫腳本、圖像模型做故事板、視頻模型做動(dòng)畫渲染、再加外部剪輯軟件做后期處理。

每一次跨工具切換，都意味著信息損耗和風(fēng)格漂移。

一旦Gemini Omni對(duì)話式視頻編輯成立，這條鏈路就可能被一個(gè)對(duì)話窗口替代了。

更關(guān)鍵的是，如果Omni被放入Gemini入口，并與Gmail、Google Docs、YouTube、Android深度打通，這是字節(jié)Seedance、快手Kling在分發(fā)層面根本無法復(fù)制的生態(tài)優(yōu)勢。

技術(shù)能力決定上限，生態(tài)決定規(guī)模。

Gemini Omni真正的威脅，或許不在于它今天生成的視頻有多好，而在于它把視頻生成能力放在了一個(gè)競爭對(duì)手根本進(jìn)不去的地方，后者對(duì)前者幾乎構(gòu)成降維打擊。

世界模型時(shí)刻或許來臨

過去幾年，生成式AI的進(jìn)化路徑相對(duì)清晰。

語言模型學(xué)會(huì)了讀和寫，圖像模型學(xué)會(huì)了看和畫，視頻模型學(xué)會(huì)了動(dòng)。

每一個(gè)模態(tài)都在自己的賽道上快速迭代，但它們之間始終存在一道隱形的墻。

模型知道文字，也知道圖像，但它不理解文字和圖像之間、聲音和動(dòng)作之間、邏輯和畫面之間的約束關(guān)系。

如果說ChatGPT時(shí)刻定義了語言的邊界，Sora時(shí)刻定義了視頻的邊界，那Gemini Omni指向的，很可能是第一個(gè)真正意義上的"世界模型時(shí)刻"。

模型第一次開始理解，模態(tài)與模態(tài)之間在現(xiàn)實(shí)世界里的約束關(guān)系，而不只是分別生成它們。

這是一次質(zhì)的飛躍。

當(dāng)然，Gemini Omni是否真正實(shí)現(xiàn)了這一點(diǎn)，在5月19日Google I/O 2026大會(huì)之前，沒有人能給出確定的答案。

但泄露出來的視頻，給出的信號(hào)已經(jīng)足夠有力。

接下來Google會(huì)在臺(tái)上說什么，我們很快就會(huì)知道。