Odyssey 推出兩款世界模型：即時音畫同步，還能 4 人聯機打遊戲

過去兩三年裡，我們看到的影片生成基本都像是在「開盲盒」：給一段提示詞，等系統把進度條跑完，吐出一段幾秒鐘的精美影片。無論畫面有多逼真，一旦開始渲染，整段影片的未來就鎖死了，你既不能打斷，也沒法伸手進去互動。

AI 研究公司 Odyssey 連發兩個世界模型，試圖徹底打破這種離線單向生成的局面。一個是能以最高 24 fps 即時生成同步音畫的 Starchild-1，另一個則是允許多達 4 名玩家在同一個 AI 生成環境裡實時聯機的 Agora-1。

不只生成畫面，連聲音和動作也即時算出來

Starchild-1 被 Odyssey 稱為首個真正的即時多模態世界模型。它最大的變化是徹底告別了固定時長，可以一邊接收流式的文字、語音或操作指令，一邊不間斷地即時輸出畫面和聲音。

過去的世界模型往往假裝物理世界是無聲的，但這丟掉了大量的物理碰撞與動態反饋訊號。問題在於，音訊和影片的時間解析度差異極大，長序列生成時極容易音畫脫節。

Odyssey 的做法是把雙向音影片基座模型 Ovi 改造成即時自迴歸架構，同時配上一套非同步 KV 快取機制，讓音訊和影片各自按自己的時鐘推進，卻依然保持精準同步。

目前這個模型支援自由探索、指令碼對話控制、即時對話和旁白式陪伴四種玩法。不過團隊也很坦率，長程生成下的場景與聲音特徵漂移問題依然沒有完全解決。

4 個人聯機打《黃金眼》，每個畫素都是現算的

如果說 Starchild-1 解決的是單人沉浸，Agora-1 則是衝著多人遊戲引擎去的。

Odyssey 用經典射擊遊戲《黃金眼》做了一場死鬥演示：最多 4 名玩家能同時接入同一個 AI 世界，每個人看到的每一個畫素，都是神經網路在現場即時渲染出來的。

多人聯機最難的是如何保證所有人看到同一個世界。Agora-1 把模擬與渲染拆成了兩個獨立的模型：一個模型負責根據所有玩家的操作演化共享的底層世界狀態，即時跟蹤位置與生命值；另一個模型則負責從各個玩家的獨立機位把畫面畫出來。

換句話說，它把現代遊戲引擎的架構完全用神經網路重新實現了一遍，只是狀態邏輯和圖形管線全由資料驅動，而不是靠程式設計師手寫程式碼。

為什麼重要

我們認為，Odyssey 這兩步棋走得非常清醒。AI 生成影片捲到今天，畫面清晰度已經逼近天花板，真正卡住下一階段落地的，正是可操作性與即時性。

對普通開發者和遊戲設計師來說，Agora-1 展現了一種令人興奮的可能性：未來的遊戲可能不再需要龐大的美術資源包和死板的關卡指令碼，任何互動都能在現場由模型動態生成。Agora-1 已經在 agora.odyssey.ml 開放試玩，雖然目前的畫質和延遲離商業 3A 大作還有距離，但它已經從概念驗證變成了能親手碰到的玩具。

對具身智慧和機器人領域來說，意義甚至更直接。在物理世界裡訓練機器人的成本極高，如果能有自帶即時聲音、物理反饋且支援多智慧體互動的 AI 模擬器，機器人就能在虛擬世界裡以幾千倍的速度試錯，成長環境完全變了。

當然，隱患也擺在眼前。即時自迴歸模型的計算開銷極大，長程生成的邏輯一致性更是業界公認的難題。但無論如何，當世界模型從播片走向聯機打遊戲，生成式 AI 的競爭維度，已經徹底變了。