Mô Hình Thế Giới: Biên Giới Tiếp Theo Của Tạo Video AI

Trong nhiều năm, tạo video AI có nghĩa là dự đoán pixel theo từng khung hình. Giờ đây, ngành công nghiệp đang chuyển hướng sang một điều gì đó đầy tham vọng hơn nhiều: mô phỏng toàn bộ thế giới. Việc Runway phát hành GWM-1 đánh dấu sự bắt đầu của sự chuyển đổi này, và ý nghĩa của nó rất sâu sắc.

Từ Khung Hình Đến Thế Giới

Các mô hình tạo video truyền thống hoạt động giống như những nghệ sĩ flip-book tinh vi. Chúng dự đoán khung hình tiếp theo sẽ trông như thế nào dựa trên các khung hình trước đó, được hướng dẫn bởi lời nhắc văn bản của bạn. Nó hoạt động, nhưng có những hạn chế cơ bản.

💡

Một bộ dự đoán khung hình biết lửa trông như thế nào. Một mô hình thế giới biết lửa làm gì: nó lan rộng, tiêu thụ nhiên liệu, tạo ra bóng đổ nhảy múa và phát ra nhiệt làm cong vênh không khí phía trên nó.

Mô hình thế giới có cách tiếp cận khác. Thay vì hỏi "khung hình tiếp theo sẽ trông như thế nào?", chúng hỏi "môi trường này hoạt động như thế nào?" Sự khác biệt nghe có vẻ tinh tế, nhưng nó thay đổi mọi thứ.

Khi bạn yêu cầu bộ dự đoán khung hình tạo một quả bóng lăn xuống đồi, nó tính toán xấp xỉ điều đó có thể trông như thế nào dựa trên dữ liệu huấn luyện. Khi bạn yêu cầu mô hình thế giới điều tương tự, nó mô phỏng vật lý: trọng lực làm tăng tốc quả bóng, ma sát với cỏ làm chậm nó, động lượng đưa nó lên dốc đối diện.

GWM-1 Của Runway Thực Sự Làm Gì

Runway đã phát hành GWM-1 (Mô Hình Thế Giới Tổng Quát 1) vào tháng 12 năm 2025, và nó đại diện cho bước đi công khai đầu tiên của họ vào mô phỏng thế giới. Mô hình tạo ra cái mà họ gọi là "môi trường mô phỏng động", các hệ thống hiểu không chỉ cách mọi thứ xuất hiện mà còn cách chúng phát triển theo thời gian.

1,247

Điểm Elo (Gen-4.5)

Xếp Hạng Video Arena

100

Quy Mô Đội Ngũ Runway

Thời điểm rất quan trọng. Bản phát hành này diễn ra cùng với Gen-4.5 đạt vị trí #1 trên Video Arena, đẩy OpenAI Sora 2 xuống vị trí thứ 4. Đây không phải là những thành tựu không liên quan. Những cải tiến của Gen-4.5 về độ chính xác vật lý, nơi các vật thể di chuyển với trọng lượng, động lượng và lực thực tế, có khả năng bắt nguồn từ nghiên cứu mô hình thế giới ảnh hưởng đến kiến trúc của nó.

🌍

Dự Đoán Khung Hình vs Mô Phỏng Thế Giới

Dự đoán khung hình: "Một quả bóng trên cỏ" → khớp mẫu từ dữ liệu huấn luyện. Mô phỏng thế giới: "Một quả bóng trên cỏ" → công cụ vật lý xác định quỹ đạo, ma sát, độ nảy.

Tại Sao Điều Này Thay Đổi Mọi Thứ

1. Vật Lý Thực Sự Hoạt Động

Các mô hình video hiện tại gặp khó khăn với vật lý vì chúng chỉ thấy vật lý, chưa bao giờ trải nghiệm nó. Chúng biết một vật thể rơi xuống sẽ rơi, nhưng chúng tính xấp xỉ quỹ đạo thay vì tính toán nó. Mô hình thế giới đảo ngược mối quan hệ này.

✗Dự Đoán Khung Hình

Tính xấp xỉ vật lý từ các mẫu hình ảnh. Một quả bi da có thể lăn xuyên qua quả bi khác vì mô hình chưa bao giờ học va chạm vật thể cứng.

✓Mô Phỏng Thế Giới

Mô phỏng các quy tắc vật lý. Phát hiện va chạm, truyền động lượng và ma sát được tính toán, không phải đoán.

Đây là lý do tại sao mô phỏng vật lý của Sora 2 gây ấn tượng với mọi người: OpenAI đã đầu tư mạnh vào hiểu biết vật lý. Mô hình thế giới chính thức hóa cách tiếp cận này.

2. Tính Nhất Quán Theo Thời Gian Mà Không Cần Thủ Thuật

Điểm đau lớn nhất trong video AI là tính nhất quán theo thời gian. Nhân vật thay đổi ngoại hình, vật thể dịch chuyển tức thời, môi trường thay đổi ngẫu nhiên. Chúng tôi đã khám phá cách các mô hình đang học nhớ khuôn mặt thông qua các đổi mới kiến trúc như chú ý xuyên khung hình.

Mô hình thế giới cung cấp giải pháp thanh lịch hơn: nếu mô phỏng theo dõi các thực thể như các đối tượng bền vững trong không gian ảo, chúng không thể thay đổi hoặc biến mất ngẫu nhiên. Quả bóng tồn tại trong thế giới được mô phỏng. Nó có các thuộc tính (kích thước, màu sắc, vị trí, vận tốc) tồn tại cho đến khi một điều gì đó trong mô phỏng thay đổi chúng.

3. Video Dài Hơn Trở Nên Khả Thi

Các mô hình hiện tại suy giảm theo thời gian. Khuếch tán hai chiều của CraftStory hướng tới video 5 phút bằng cách để các khung hình sau ảnh hưởng đến các khung hình trước. Mô hình thế giới tiếp cận vấn đề tương tự theo cách khác: nếu mô phỏng ổn định, bạn có thể chạy nó bao lâu tùy thích.

2024

Giây

Video AI tiêu chuẩn: 4-8 giây trước khi chất lượng sụp đổ

Đầu 2025

Phút

Kỹ thuật chuyên biệt cho phép video 1-5 phút

Cuối 2025

Không Giới Hạn?

Mô hình thế giới tách thời lượng khỏi kiến trúc

Lưu Ý (Luôn Có Lưu Ý)

Mô hình thế giới nghe như giải pháp cho mọi vấn đề tạo video. Ít nhất là chưa phải bây giờ.

⚠️

Kiểm tra thực tế: Các mô hình thế giới hiện tại mô phỏng vật lý phong cách hóa, không phải vật lý chính xác. Chúng hiểu rằng những thứ rơi xuống sẽ rơi, không phải các phương trình chuyển động chính xác.

Chi Phí Tính Toán

Mô phỏng một thế giới rất tốn kém. Dự đoán khung hình có thể chạy trên GPU tiêu dùng nhờ công việc từ các dự án như LTX-2. Mô phỏng thế giới yêu cầu duy trì trạng thái, theo dõi đối tượng, chạy các phép tính vật lý. Điều này làm tăng đáng kể yêu cầu phần cứng.

Học Các Quy Tắc Thế Giới Là Khó

Dạy mô hình những gì trông như thế nào là đơn giản: cho nó xem hàng triệu ví dụ. Dạy mô hình cách thế giới hoạt động thì mơ hồ hơn. Vật lý có thể học được từ dữ liệu video, nhưng chỉ ở một mức độ nhất định. Mô hình thấy các vật thể rơi xuống sẽ rơi, nhưng nó không thể suy ra hằng số hấp dẫn từ việc xem cảnh quay.

Tương lai lai: Hầu hết các nhà nghiên cứu kỳ vọng các mô hình thế giới sẽ kết hợp các xấp xỉ vật lý đã học với các quy tắc mô phỏng rõ ràng, có được điều tốt nhất của cả hai cách tiếp cận.

Câu Hỏi Về Kiểm Soát Sáng Tạo

Nếu mô hình đang mô phỏng vật lý, ai quyết định vật lý nào? Đôi khi bạn muốn trọng lực thực tế. Đôi khi bạn muốn các nhân vật của mình bay lơ lửng. Mô hình thế giới cần cơ chế để ghi đè mô phỏng của chúng khi người sáng tạo muốn kết quả không thực tế.

Ngành Công Nghiệp Đang Hướng Đến Đâu

Runway không đơn độc trong hướng đi này. Các bài báo kiến trúc đằng sau bộ biến đổi khuếch tán đã gợi ý sự chuyển đổi này trong nhiều tháng. Câu hỏi luôn là khi nào, không phải nếu.

Đã Xảy Ra

Runway GWM-1 được phát hành
Gen-4.5 cho thấy tạo sinh dựa trên vật lý
Các bài báo nghiên cứu tăng mạnh
Chương trình truy cập sớm cho doanh nghiệp

Sắp Ra Mắt

Triển khai mô hình thế giới mã nguồn mở
Kiến trúc lai khung hình/thế giới
Mô hình thế giới chuyên biệt (vật lý, sinh học, thời tiết)
Mô phỏng thế giới thời gian thực

Sự quan tâm của doanh nghiệp rất đáng chú ý. Runway đã cấp quyền truy cập sớm cho Ubisoft, Disney đã đầu tư một tỷ đô la với OpenAI cho tích hợp Sora. Đây không phải là những công ty quan tâm đến việc tạo các clip truyền thông xã hội nhanh. Họ muốn AI có thể mô phỏng môi trường game, tạo các nhân vật hoạt hình nhất quán, sản xuất nội dung chịu được sự giám sát chuyên nghiệp.

Điều Này Có Nghĩa Gì Cho Người Sáng Tạo

✓Tính nhất quán của video sẽ cải thiện đáng kể
✓Nội dung nặng về vật lý trở nên khả thi
✓Tạo sinh dài hơn mà không sụp đổ chất lượng
○Chi phí ban đầu sẽ cao hơn dự đoán khung hình
○Cơ chế kiểm soát sáng tạo vẫn đang phát triển

Nếu bạn đang sản xuất video AI ngày nay, mô hình thế giới không phải là điều bạn cần áp dụng ngay lập tức. Nhưng chúng là điều cần theo dõi. So sánh giữa Sora 2, Runway và Veo 3 mà chúng tôi đã xuất bản đầu năm nay sẽ cần cập nhật khi các khả năng mô hình thế giới được triển khai trên các nền tảng này.

Đối với việc sử dụng thực tế ngay bây giờ, sự khác biệt quan trọng cho các trường hợp sử dụng cụ thể:

Trực quan hóa sản phẩm: Mô hình thế giới sẽ xuất sắc ở đây. Vật lý chính xác cho các đối tượng tương tác với nhau.
Nghệ thuật trừu tượng: Dự đoán khung hình thực sự có thể thích hợp hơn. Bạn muốn đầu ra hình ảnh không mong đợi, không phải thực tế được mô phỏng.
Hoạt hình nhân vật: Mô hình thế giới cộng với kỹ thuật bảo toàn danh tính cuối cùng có thể giải quyết vấn đề nhất quán.

Bức Tranh Lớn Hơn

Mô hình thế giới đại diện cho video AI đang trưởng thành. Dự đoán khung hình đủ để tạo các clip ngắn, những điều mới lạ trực quan, các bản demo chứng minh khái niệm. Mô phỏng thế giới là điều bạn cần cho công việc sản xuất thực sự, nơi nội dung phải nhất quán, hợp lý về mặt vật lý và có thể mở rộng.

💡

Giữ quan điểm: Chúng ta đang ở giai đoạn GWM-1, tương đương với GPT-1 cho mô phỏng thế giới. Khoảng cách giữa điều này và GWM-4 sẽ rất lớn, giống như khoảng cách giữa GPT-1 và GPT-4 đã biến đổi AI ngôn ngữ.

Runway đánh bại Google và OpenAI trên các bài kiểm chuẩn với đội ngũ 100 người cho chúng ta biết điều gì đó quan trọng: cách tiếp cận kiến trúc đúng quan trọng hơn tài nguyên. Mô hình thế giới có thể là cách tiếp cận đó. Nếu cược của Runway thành công, họ sẽ định nghĩa thế hệ AI video tiếp theo.

Và nếu các mô phỏng vật lý trở nên đủ tốt? Chúng ta không chỉ tạo video nữa. Chúng ta đang xây dựng các thế giới ảo, từng mô phỏng một.

💡

Đọc liên quan: Để biết thêm về nền tảng kỹ thuật cho phép sự chuyển đổi này, hãy xem phân tích sâu về bộ biến đổi khuếch tán của chúng tôi. Để so sánh công cụ hiện tại, hãy kiểm tra Sora 2 vs Runway vs Veo 3.