一、案例背景
1.1 从语言模型到世界模型：AI竞赛的范式迁移
2020年代以来，大语言模型（LLM）通过Scaling Law——即模型性能随参数规模、训练数据量和计算资源的增加而可预测地提升——实现了从GPT-3到GPT-4的跨越式发展。“越大越强”成为AI产业最核心的认知基础，驱动全球科技巨头在算力、数据和模型参数上展开空前规模的军备竞赛。
然而，当AI竞赛的焦点从语言理解转向视频生成，进而转向更具野心的“世界模型”时，这条被验证过的Scaling路径开始面临根本性质疑。世界模型不仅需要生成高质量的视频内容，更需要实时响应用户的交互指令——用户的每一个动作、每一句语音、每一段文字，都必须被即时理解、处理和反馈，同时保持输出内容的时空连贯性。这意味着模型必须“一边运行、一边生成、一边响应”，而非像LLM那样“集中计算后给出答案”。
这一转变带来的核心矛盾在于：实时性要求模型足够快、足够高效；通用性要求模型足够强、见过足够丰富的世界。模型能力向上扩展，计算负担随之增加；为速度而压缩能力，实时体验又容易退化为只能完成有限演示的专项模型。实时世界模型能否复制LLM的Scaling之路，成为2026年AI产业最前沿的技术与商业命题。
1.2 爱诗科技与PixVerse的产品演进
爱诗科技成立于2023年，是一家专注于AI视频生成与实时交互的科技公司，旗下产品PixVerse定位为“通用实时世界模型”平台。公司创始人团队来自清华大学和多家头部AI企业，在计算机视觉、多模态大模型和实时渲染领域拥有深厚积累。
2026年1月，爱诗科技首次提出“通用实时世界模型”这一产品方向，并推出PixVerse R1。R1的核心能力在于：用户可以通过文字提示词（Prompt）生成动态视频场景，并通过键盘、鼠标等输入设备对场景进行实时控制。R1上线后迅速在开发者社区和游戏爱好者中引发关注，但受限于模型效率，其交互延迟较高、场景复杂度有限，尚未实现真正的“持续运行世界”。
……