过去几年，人们已经习惯了这样一种与 AI 相处的方式：打开一个对话框，输入一句话，等待模型返回答案。Text Box几乎成为 AI 时代最具代表性的界面。
但如果 AI 已经能够看见、听见、生成图像和视频，甚至理解人的表情、动作与触碰，人类与 AI 的交互，是否还应该被限制在一个输入框里？
袁博地的答案是否定的。从清华大学接触计算机视觉，到 UC Berkeley 攻读 AI 博士，再到 Google X 负责机器人的视觉系统，袁博地过去十多年的研究几乎始终围绕 Pixel 展开：从图像识别，到 GAN、Diffusion，再到图像和视频生成，技术范式不断变化，研究对象却始终指向同一件事——如何让机器理解和生成视觉世界。
正是在这一过程中，袁博地逐渐意识到，文字对话只是 AI 走向大众的起点，而不是最终形态。"正如 iPhone 真正改变世界的，并不只是一块更先进的触摸屏，而是图形界面重新定义了人与计算机的关系，下一代 AI 的关键竞争，也不会只发生在参数规模、生成质量和基准测试上。"更重要的问题是：当模型开始具备全模态能力，人类应该如何与它互动？这也是袁博地创办 Reverie 时试图回答的问题。
Reverie 最终押注的答案，是实时交互视频。
传统视频模型面对的是一条 Prompt：用户提出要求，模型生成一段内容，任务随之结束。而实时交互模型面对的，是一个持续变化的人。用户说了什么、正在看什么、点击了哪里、完成了什么动作，乃至当下的表情和状态，都要被模型持续理解，并实时影响下一刻的输出。
在袁博地的定义中，这不是传统视频模型的升级，而是另一种模型范式：视频模型关注的是“生成一段内容”，交互模型关注的是“维持一个持续演化的世界”。
这些能力必须在同一个系统中同时成立。Reverie 将其称为 Interaction Model。它试图把文字、语音、图像、视频，以及点击、滑动、拖拽等触控行为，统一放进一个持续运行的交互状态中。模型不再等待一轮对话结束，而是在用户输入不断变化的过程中，动态决定何时生成、生成多久，以及如何调整接下来的内容。
这套技术判断已经开始接受真实用户的验证。Reverie 面向海外推出的产品，DAU 已接近 10 万，活跃用户日均使用时长达到80至90分钟，累计生成的互动视频超过1亿条。与一次性生成视频不同，用户会留在同一个角色、故事和世界中，不断做出选择，推动内容继续演化。
他认为：“下一阶段真正难以复制的壁垒，未必只是某一次模型能力的领先，而是能否更早构建一套持续产生高质量交互数据的系统。”
从这个角度看，Reverie试图定义的是一种新的 AI Interface：人不再向机器提交指令、等待结果，而是进入一个由模型实时生成、能够持续感知和反馈的动态世界。这背后或许还指向一个更大的内容变革。
这期内容，Z Potentials专访了袁博地，和他一起聊了聊这个“不再需要对话框”的未来：从像素世界的积累，到实时交互视频的落地，再到他眼中下一代AI Interface的雏形。以下是我们的对话实录。
以下是对话实录，经编辑修改，enjoy～
Highlights
- 我们认为，实时交互视频真正打开的是一类全新的应用空间，它不仅创造了新的用户体验，也避开了大厂短期最集中的竞争方向。相比继续沿着视频生成本身做性能竞争，我们更希望去定义下一代视频交互方式。
- 我们并不把实时交互模型看作传统视频模型的升级版本，而是另一种产品范式。传统视频模型回答的是“如何生成一段视频”，而实时交互模型回答的是“如何让 AI 持续与用户共同完成一段视频体验”。两者解决的是完全不同的问题。
- iPhone 的出现，并不仅仅是换了一块触摸屏，而是通过图形界面重新定义了人与计算机的交互方式，并由此催生了移动互联网时代。真正改变世界的，不只是技术本身，而是新的 Interface 所带来的全新体验。
- Interaction Model 与传统视频模型最大的区别。第一，是 All-Modality（全模态）能力；第二，是从传统 Turn-based Interaction 向更加连续的实时交互演进。
- 实时交互模型真正困难的地方，不在于某一项技术，而在于如何把实时流式生成、多模态理解、状态维护、长期记忆和推理成本控制整合成一个统一系统。
- 我们已经将整体交互成本降低到传统视频生成方案的大约 1%，但我们认为这还不是终点。 真正能够支撑下一代 AI Interface 的系统，不仅需要做到实时，更需要做到足够低成本，让用户能够像今天使用搜索、聊天一样，自然地与 AI 持续互动。
- 未来可能有两大类内容：一类是今天看的短视频、电影，它是静态的、不可交互的视频；另一类则是动态的，我们看到的内容可以被触碰、被沟通、被交互。这会是一个今天并不存在的全新内容品类。
视频详情
01 从Google X到Reverie：定义下一代AI Interface
ZP：请先介绍一下个人经历，从 UC Berkeley 的 AI 博士研究，到 Google X 的 AI 产品与工程实践，这两段经历分别如何影响您对 AI 技术和商业落地的理解？
袁博地：我在清华大学读本科期间接触到 AI 图像识别算法，并由此对人工智能产生了浓厚兴趣，之后便一直围绕计算机视觉和 AI 技术开展研究。本科毕业后，我进入 UC Berkeley 攻读 AI 博士。
在 Berkeley 期间，AI 领域的主流研究集中在图像方向，包括 CNN、ResNet，以及后来的 GAN 等生成式模型。相比于追求算法本身的突破，我更关注如何利用 AI 解决真实世界的问题。实验室中的数据通常干净、标准化，模型很容易取得优异效果；但现实场景中的数据往往充满噪声、标注不完整，真正有价值的研究，是让模型能够适应真实世界，而不是只适应实验室。因此，我博士期间的研究重点，就是探索如何利用真实世界的数据训练 AI 模型。
博士毕业后，我于 2019 年加入 Google X，并工作了四年多。Google X 的使命，是利用最前沿的技术解决能够影响大量用户的商业化问题。当时团队主要研发农业机器人，我负责机器人的视觉系统，让机器人能够识别目标、理解环境并完成相应任务。
我的工作主要集中在两个方向。一方面，是持续优化模型能力，让模型更快、更准确；另一方面，则是解决机器人训练数据不足的问题。这一问题与今天机器人行业面临的挑战高度一致：真实数据获取成本高、覆盖范围有限，因此必须借助 simulation 和 generative AI 生成训练数据，构建更加高效的数据闭环。
回顾这段经历，我发现自己的工作始终围绕同一件事情展开。我一直关注的不是如何创造一项新技术，而是如何让最前沿的 AI 技术真正进入现实场景，并持续创造价值。如今业内常提到 Technology Product Fit，我认为自己过去十多年的经历，本质上都在围绕这一命题不断探索，也因此积累了不少关于 AI 产品落地的思考。在 Google 期间，我还曾撰写过一篇关于 AI 产品与传统产品差异的内部文档，并在团队内进行了多次分享，这些实践也进一步加深了我对 AI 产品化路径的理解。
ZP：过去十多年，您一直深耕计算机视觉和生成式 AI。为什么最终选择创办 Reverie，并在 Day One 就坚定选择实时交互视频，而不是传统的视频生成模型？
袁博地：如果回头看，我过去十多年的研究主线其实一直没有变，就是围绕 Pixel 展开。从本科开始，我一直在做与像素相关的工作，无论是计算机视觉中的图像识别，还是后来的 GAN、Diffusion，以及图像、视频生成，本质上都是围绕像素进行理解、建模和生成。技术范式不断变化，但底层研究对象始终没有改变，也让我逐渐建立起对视觉生成底层规律的理解。
到了 Google 后期，我开始接触大量生成式 AI 工作，较早参与 Diffusion 技术在图像和视频方向的探索。这些经历让我更加确信，视频生成一定会成为一个非常重要的技术方向。
但我们创业时判断，视频基础模型本身已经是一条高度确定的赛道，也意味着会成为大厂重点投入的方向。如果一家初创公司从 Day One 就去做视频基础模型，很难避开与 Google 等巨头的正面竞争。事实证明，后来很多视频模型公司也都不同程度面临类似的问题。
因此，我们从一开始就没有把目标定义为“做一个更好的视频模型”，而是思考视频生成之后还能出现什么新的交互范式。我们认为，实时交互视频真正打开的是一类全新的应用空间，它不仅创造了新的用户体验，也避开了大厂短期最集中的竞争方向。相比继续沿着视频生成本身做性能竞争，我们更希望去定义下一代视频交互方式，这也是 Reverie 从 Day One 就选择实时交互视频的原因。
ZP：创办 Reverie 时，你们最想解决的核心问题是什么？为什么会选择 实时交互模型 作为切入点？
袁博地：我们创业时观察到，ChatGPT 出现之后，AI 已经开始进入很多真实应用场景，其中最吸引我们的就是 AI 互动娱乐。当时已经有不少 AI Native 游戏、AI Chatbot 获得了大量用户，但绝大多数产品仍然停留在文字交互阶段。
我们当时的判断是，文字已经验证了用户需求，但并没有定义最终的产品形态。娱乐本身是一件高度依赖视觉、听觉和实时反馈的事情，如果只是文字交互，用户体验仍然存在很大的提升空间。
因此，我们真正想解决的问题并不是“如何生成更好的视频”，而是如何利用多模态能力，把 AI 从文字交互升级为更真实、更沉浸、更自然的互动体验。我们认为，这里面存在一个非常大的能力缺口，也是一个远未被充分挖掘的市场机会。如果能够解锁视频等更丰富的交互方式，整个 AI 互动娱乐市场的天花板可能会比今天高一个数量级。
所以，我们最终选择了这个方向。一方面，AI 互动娱乐已经证明了市场需求是真实存在的；另一方面，我们希望利用自己在视觉和视频生成上的技术积累，去解决这个领域尚未被满足的核心问题，而不是重复做已经被验证的文字产品。
02 下一代 AI，不只是更强的模型，而是全新的交互范式
ZP：如果只用一句话介绍 Reverie，您希望大家把它理解成一家什么样的公司？
袁博地：一句话来说，Reverie 致力于通过自研的多模态交互模型能力，打造一个全新的 AI 原生娱乐内容平台。
ZP：Reverie 目前发展到了什么阶段？请和我们介绍团队的核心构成、融资进展，以及模型和产品侧最重要的里程碑。
袁博地：目前 Reverie 团队规模约 10 人。创始团队成员均来自 Google ，我和联合创始人 Bill 曾共事两年多。Bill 长期负责 Google X 的大规模 AI 工程项目，在模型训练、推理优化和 AI 基础设施方面拥有丰富经验。当时，我们需要处理 PB 级的视频数据，这不仅考验模型能力，更涉及超大规模数据处理、训练系统、推理效率和工程优化等一系列挑战。这些 Google 级别的大规模 AI 工程经验，也成为 Reverie 今天构建实时交互视频模型的重要基础。
除了创始团队之外，公司核心成员还包括来自头部科技公司的产品经理、设计师以及多位顶尖 AI 工程师。团队整体覆盖模型研发、AI 工程、产品设计和用户体验等关键能力，希望从 Day One 就按照产品公司的方式，而不是单纯研究团队的方式来构建 Reverie。
融资方面，公司也在刚成立时就完成了数百万美元融资。
产品和模型方面，我们于今年刚刚正式面向海外发布 Web 产品，目前已拥有近 10 万 DAU。不久前，公司发布了最新一代模型 R0.2。过去一段时间，我们最大的感受是，模型能力的每一次跃迁，都会直接转化为产品体验的跃迁。无论是用户使用时长、留存等核心指标，还是用户对产品的主观体验，都随着模型能力提升而持续改善。在生成式 AI 时代，模型能力已经成为产品体验最核心的驱动力，而持续快速迭代模型，也是我们最重要的竞争优势之一。
ZP：在进入技术细节前，能否先用比较直观的方式解释：Reverie 的实时交互模型，与 Sora、Seedance 等传统视频生成模型最本质的区别是什么？
袁博地：我认为，两者最大的区别体现在两个方面。
第一，传统视频模型是一次性的内容生成，而实时交互模型是持续进行中的交互过程。像 Sora、Seedance 这样的模型，用户输入 Prompt 或上传图片后，模型生成一段视频，这个过程就结束了。而实时交互模型并不存在明确的“生成结束”时刻，模型会持续接收用户输入、持续生成内容，并根据用户的反馈不断调整输出，整个过程是连续、动态、长时程（Long-horizon）的交互。
第二，传统视频模型追求的是生成质量，而实时交互模型首先追求的是响应速度。对于交互来说，实时性并不是一个体验优化，而是产品成立的前提。人与人的交流不会在一句话之后等待十几秒甚至一分钟再得到回应，同样，人和 AI 的交互也必须能够即时响应，否则交互本身就无法成立。
因此，我们并不把实时交互模型看作传统视频模型的升级版本，而是另一种产品范式。传统视频模型回答的是“如何生成一段视频”，而实时交互模型回答的是“如何让 AI 持续与用户共同完成一段视频体验”。两者解决的是完全不同的问题。
ZP：过去几年，大模型几乎都是围绕 Chat 和 Text Box 建立的。你们提出“The next AI interface is not a text box”。为什么会判断，下一代 AI Interface 正在发生变化？这种变化意味着什么？
袁博地：我们一直认为，Chat 和 Text Box 只是 AI 的起点，而不会是最终形态。今天的 AI 之所以采用文字输入框，本质上是因为它建立在大语言模型之上，语言自然成为最直接的交互媒介。但随着模型能力不断演进，从单一文本走向多模态，交互界面也一定会随之演进，而不会永远停留在 Text Box。
Interface 从来不是独立存在的，它始终由底层技术能力决定。模型能够理解什么、生成什么，就会决定人与 AI 如何交互。当多模态模型逐渐成熟，AI 开始能够实时理解图像、视频、语音以及环境信息时，更自然、更丰富的交互方式就会成为可能。我们认为，现在正处于这样一个新的拐点，也是重新定义 AI Interface 的最佳时机。
回顾整个技术发展的历史，每一次底层技术的跃迁，都会催生新的交互范式。我们经常用诺基亚到 iPhone 的演进来做类比。诺基亚时代，人们主要依赖键盘输入；iPhone 的出现，并不仅仅是换了一块触摸屏，而是通过图形界面重新定义了人与计算机的交互方式，并由此催生了移动互联网时代。真正改变世界的，不只是技术本身，而是新的 Interface 所带来的全新体验。
今天我们看到的变化，与当年的智能手机时代有相似之处。AI 正在从以文字输入为核心，逐步走向更加视觉化、更加实时、更加多模态的交互方式。我们认为，这不是对 Text Box 的一次简单升级，而是一次交互范式的重构。未来用户与 AI 的关系，不再是“输入一句话、获得一个答案”，而是能够持续感知、持续反馈、持续协作的实时互动。
因此，我们相信，下一代 AI 的竞争不仅属于模型，也属于 Interface。谁能够率先定义人与 AI 的新交互方式，谁就有机会创造下一个数量级的产品。
0