Odyssey 推出两款世界模型：实时音画同步，还能 4 人联机打游戏

过去两三年里，我们看到的视频生成基本都像是在「开盲盒」：给一段提示词，等系统把进度条跑完，吐出一段几秒钟的精美视频。无论画面有多逼真，一旦开始渲染，整段视频的未来就锁死了，你既不能打断，也没法伸手进去互动。

AI 研究公司 Odyssey 连发两个世界模型，试图彻底打破这种离线单向生成的局面。一个是能以最高 24 fps 实时生成同步音画的 Starchild-1，另一个则是允许多达 4 名玩家在同一个 AI 生成环境里实时联机的 Agora-1。

不只生成画面，连声音和动作也实时算出来

Starchild-1 被 Odyssey 称为首个真正的实时多模态世界模型。它最大的变化是彻底告别了固定时长，可以一边接收流式的文字、语音或操作指令，一边不间断地实时输出画面和声音。

过去的世界模型往往假装物理世界是无声的，但这丢掉了大量的物理碰撞与动态反馈信号。问题在于，音频和视频的时间分辨率差异极大，长序列生成时极容易音画脱节。

Odyssey 的做法是把双向音视频基座模型 Ovi 改造成实时自回归架构，同时配上一套异步 KV 缓存机制，让音频和视频各自按自己的时钟推进，却依然保持精准同步。

目前这个模型支持自由探索、脚本对话控制、实时对话和旁白式陪伴四种玩法。不过团队也很坦率，长程生成下的场景与声音特征漂移问题依然没有完全解决。

4 个人联机打《黄金眼》，每个像素都是现算的

如果说 Starchild-1 解决的是单人沉浸，Agora-1 则是冲着多人游戏引擎去的。

Odyssey 用经典射击游戏《黄金眼》做了一场死斗演示：最多 4 名玩家能同时接入同一个 AI 世界，每个人看到的每一个像素，都是神经网络在现场实时渲染出来的。

多人联机最难的是如何保证所有人看到同一个世界。Agora-1 把模拟与渲染拆成了两个独立的模型：一个模型负责根据所有玩家的操作演化共享的底层世界状态，实时跟踪位置与生命值；另一个模型则负责从各个玩家的独立机位把画面画出来。

换句话说，它把现代游戏引擎的架构完全用神经网络重新实现了一遍，只是状态逻辑和图形管线全由数据驱动，而不是靠程序员手写代码。

为什么重要

我们认为，Odyssey 这两步棋走得非常清醒。AI 生成视频卷到今天，画面清晰度已经逼近天花板，真正卡住下一阶段落地的，正是可操作性与实时性。

对普通开发者和游戏设计师来说，Agora-1 展现了一种令人兴奋的可能性：未来的游戏可能不再需要庞大的美术资源包和死板的关卡脚本，任何交互都能在现场由模型动态生成。Agora-1 已经在 agora.odyssey.ml 开放试玩，虽然目前的画质和延迟离商业 3A 大作还有距离，但它已经从概念验证变成了能亲手碰到的玩具。

对具身智能和机器人领域来说，意义甚至更直接。在物理世界里训练机器人的成本极高，如果能有自带实时声音、物理反馈且支持多智能体互动的 AI 模拟器，机器人就能在虚拟世界里以几千倍的速度试错，成长环境完全变了。

当然，隐患也摆在眼前。实时自回归模型的计算开销极大，长程生成的逻辑一致性更是业界公认的难题。但无论如何，当世界模型从播片走向联机打游戏，生成式 AI 的竞争维度，已经彻底变了。