从百川出来之后，陈炜鹏没有立即再做一个模型，而是先做了一款 ToC 的产品——Loopit。


Loopit 今年 2 月面世，发布的次日就在 X 上获得了马斯克的点赞。目前平台已经积累近 1500 万个作品，北美数十万青少年已经形成稳定使用习惯，活跃当日平均使用超过 1 小时。对这些人来说，Loopit 已经越过了新鲜玩具的阶段。


Loopit 验证了 AI 可以让普通人创造过去只有专业开发者才能完成的互动内容。但随着平台上的表达越来越丰富，团队开始思考下一步：互动内容是不是可以不在发布时结束，在被体验的过程中仍然能继续生长？


也是基于此，团队发布了他们的首个模型，互动世界模型 Zing-0.5，开始验证这种新的内容形态。Zing-0.5 让用户可以一边探索场景，一边通过自然语言持续改变正在发生的世界。这是 Loopit 走向互动世界模型的第一步。未来，Loopit 希望让每个人都能创造、进入并不断改变属于自己的数字世界。


一家已经跑出数据和场景的应用公司，为什么开始自己做模型？


陈炜鹏的回答是，AI 产品所有的「Aha moment」，都来自新技术创造的新体验，模型和应用不能分开。Loopit 跑了半年，他们越来越清楚下一代体验该长什么样，也看到了靠现成的模型走不到那里。对 Loopit 来说，自研模型不是要离开产品进入另一个赛道，是为了继续拓展产品的边界。


能同时理解产品和模型的人不多，陈炜鹏的经历却很合适。他在搜狗做过搜索研发总经理，在 Soul 负责过年轻人内容社区，又作为百川智能联合创始人和大模型负责人，主导了 BaiChuan 1-4 系列的模型训练。这些经历最终在 Loopit 汇合到一起，指向的是：技术怎样重新定义人创造和消费内容的方式。


以下是 Founder Park 与涌跃智能联合创始人兼 CEO 陈炜鹏的对话，经编辑整理。


01


累计近 1500 万个互动内容作品，


Loopit 验证了一种新的内容形式


Founder Park：Loopit 目前的产品数据和用户表现怎么样？


陈炜鹏：Loopit 上线半年，我们最重要的收获，是在北美青少年、尤其是女学生中，看到了一批已经形成稳定使用习惯的用户。


目前有数十万北美青少年用户，每周至少活跃 2-3 天，活跃当日平均使用时长超过 1 小时，人均创作超过 10 个作品，热门内容能获得数十万赞。她们经常在评论区 @ 朋友一起玩内容，社区氛围明确形成。


上线至今，平台累计创作近 1500 万个作品，游玩超 20 亿次，积累了数百亿次互动轨迹。


这些数据让我们确认，Loopit 对一部分用户来说，不再是玩三五天就放下的新鲜玩具，已经变成一种持续消费、表达和互动的内容产品。


下一阶段的重点，一是持续渗透青少年人群，二是通过技术迭代打动更多年龄段的用户。


Founder Park：为什么首先在北美青少年女生中看到了深度使用？Loopit 为她们提供了哪些其他平台没有的体验？


陈炜鹏：我们对这件事的认识也在逐步加深。最开始，我们以为大家来 Loopit 是为了做数字艺术、玩梗或者玩小游戏的。后来发现，她们并不只关注某一种内容或形式，更像是在用「可以玩的内容」表达自己。


有人会做一个关于自己喜欢什么、不喜欢什么的选择器，如果另一个人的选择和她一样，两个人会在评论区聊起来。有人创建偶像 Agent 聊天，聊完之后评论、截屏。也有人在内容里 @ 朋友，或者把别人的作品「魔改」成自己的版本。年轻人在玩什么，慢慢都会在平台上留下痕迹，Loopit 因此越来越接近一个内容平台。


我们想做的，是让用户像在抖音上一样表达自己，但把互动内容作为表达手段。它呈现出来有点像 Roblox，很多内容可以交互、可以玩，创作门槛又比 Roblox 低得多。


Founder Park：Loopit 现在的定位还是「可以玩的抖音」吗？


陈炜鹏：「可以玩的抖音」是用户理解 Loopit 的一种方式。当一个新品类刚出现时，往往需要借助已有概念去理解。


我们相信的是，互动会成为一种新的表达方式，并有机会创造一个全新的内容平台。过去，小游戏、角色扮演和互动影游都被称为互动内容，但它们通常是一种具体品类。Loopit 想做的，是让互动本身成为和图片、视频一样普遍的内容媒介。


沿着这个方向继续发展，最终每个人都可以创造一个自己的数字世界，其他人不仅能够进入，也能参与并继续改变它。


Founder Park：你之前认为，社区产品不需要过早讨论商业化。现在是怎么考虑的？Loopit 有在规划哪些商业模式吗？


陈炜鹏：相比单纯观看内容，互动内容天然包含角色、道具和场景，因此商业化可以更自然地融入体验。比如在一个赛车内容里，用户驾驶的可以是虚构汽车，也可以是真实品牌车型。


长期来看，Loopit 可能同时存在广告和增值服务两种模式。广告更依赖用户规模和消费时长。增值服务则可以更早围绕创作者展开，比如提供高级创作能力、模板和特殊道具。未来如果开放支付能力，创作者也可以在自己的互动内容里设计付费体验，并参与收益分配。


我们对这些路径有过不少设想，但不会过早确定答案。


现阶段最重要的还是持续提升产品体验，先证明互动内容能够形成一个足够大、足够活跃的平台。


Founder Park：Loopit 上的用户主要是在消费内容，还是会主动参与创作？


陈炜鹏：用户大部分时间都在消费内容，平均大约 90% 的时间用于消费。不过，Loopit 的创作率比传统内容平台高很多，创作者的留存也明显高于只消费内容的用户。


Loopit 还有一个特点，就是消费和创作之间的距离很短。用户体验完一个作品，可以直接改编、加入自己的想法，再发布成一个新版本。对很多用户来说，创作不是一个需要专门开始的任务，是消费之后自然发生的行为。


今天，Loopit 已经让普通人可以创造过去需要专业开发者才能完成的互动内容。下一步，我们希望进一步拓展内容的多样性和复杂度，让互动内容不只是在发布前被创作出来，也可以在被体验的过程中继续生长。


现有 AI Coding 和多模态模型还无法完整支撑这种体验，这也是我们选择在这一阶段启动自研模型的原因之一。我们没有离开 Loopit 去做另一件事，是希望通过新的模型能力，继续打开互动内容的边界。


02


先有了 Loopit 这个产品，


才知道怎么做模型


Founder Park：你们看到了什么技术边界？为什么现有的 Coding 和多模态无法支撑 Loopit 的下一阶段？


陈炜鹏：举个例子，Loopit 上有位用户去长白山滑雪，回来后做了一个相关的互动内容。用 AI Coding 可以把滑雪规则设计得很好，包括速度、转向、碰撞和计时，但很难生成一个真实、开阔的长白山雪场。借助视频模型可以生成雪山、林海和雪雾的效果，却无法让滑雪者在里面自由探索，比如撞倒一棵树之后应该发生什么。


现阶段，AI Coding 和多模态在互动内容中的应用仍然以「预烘焙」为主。在实时性、开放性和多样性上都有很大的局限。我们自己的 Zing 模型是从非常具体的问题里长出来的，怎样让 Coding 去掌管世界应该怎么运行，让实时视频生成模型负责把用户想象中的场景呈现出来。


我们不是先做一个模型，再去寻找场景，而是先做了 Loopit 这个产品。在这个产品里面，对现有技术的边界会看得比过去更清楚。


Founder Park：你们是什么时候开始自己做 Zing 模型的？


陈炜鹏：我们从创业第一天就认为，未来会是「模应一体」的竞争。模型公司会做应用，应用公司也会做模型。所以，最初组建的创始团队就以模型背景为主。我和施政之前在百川做语言模型，另一位联创 Henry 曾是字节 Seedance post-training 的算法负责人，做文生视频出身。


不过刚开始，我们并没有想清楚究竟应该做什么模型，所以没有着急去做。Loopit 上线之后，我们才加大了对模型的投入，大概从今年 3、4 月开始推进。


在 Loopit 里，我们已经积累了很多 AI Coding 对复杂场景和角色进行建模的能力。在这个基础上，我们开始做实时交互视频生成，也就是这次发布的第一版 Zing-0.5 模型。


下一步，我们会把 Agent 和 Zing 结合起来，将已有的 Coding 能力和实时交互视频生成连接起来，让它既能掌握世界运行的规律，又能提供非常丰富、多样的画面呈现。下一版 Zing-1 大概会在三个月内推出。


Founder Park：Zing-0.5 最核心的能力是什么？


陈炜鹏：边玩边改。现在不少实时交互视频模型支持用户在一个场景里探索，也就是「玩」。还有一种导演模式，用户输入一句话，模型生成一个新场景。但很少有模型能让用户在玩的过程中持续修改世界。Zing-0.5 实现的是 Prompt 和 Motion 能够联合控制，既能响应用户的运动操作，也能持续跟随自然语言指令。


比如你正在长白山的雪道上向前滑，不需要停下来重新生成，只要说「让雪板喷射火焰」「召唤一场暴风雪」，世界就会沿着你前进的速度和方向继续生成场景。用户在操作过程中，还能不断创造新的角色、能力和场景。


未来一两周内，用户应该就能在 Loopit 里体验到这样的玩法。


这也会改变过去整个创作者和消费者的模式。过去，角色和规则主要由创作者在发布前设定，其他用户进入后，可以在这些基础上体验和 remix。引入 Zing 之后，整个世界会变得更开放。创作者只需要创造一个起点，比如「一座被巨龙占领的城市」，进入世界的人可以在里面增加角色、剧情和能力，内容在被消费的过程中继续生长。


03


Zing 现在还不是完整的世界模型，


但正在走向那里


Founder Park：你们会认为 Zing-0.5 是「世界模型」吗？


陈炜鹏：它更像一个实时交互视频生成模型，还不是我们理想定义的互动世界模型。


因为一个世界模型需要完整的状态、规则，也要有长期记忆和多人同步。比如一座桥被摧毁之后，之后的道路、任务和角色行为都应该受到影响。不同的人从不同视角进入同一空间，面对的应该是同一组已经发生的事实。


Zing-0.5 已经解决了一部分实时交互和联合控制问题，但在状态、记忆和多人同步上还很不完整，所以我们把它叫作 0.5。


Founder Park：下一版 Zing-1 相比 0.5 会有哪些提升？


陈炜鹏：Zing-1 会更像一个完整的模型或系统。它会基于可控渲染，把 Coding 和实时视频生成结合起来，更好地管理整个世界的规则和状态。Zing-1 也会开始拥有角色和一定的记忆。多人同步可能仍然相对弱一些，但我们已经开始进入这条路线。


Founder Park：再往后会怎么演进？最终会是一个怎样的模型？


陈炜鹏：长期来看，我们希望它逐步走向端到端，但中间需要经过几个阶段。Zing-1 之后的下个阶段，我们可能会继续推进长期记忆和多人同步。在这个过程中沉淀下来的数据，会让模型对世界的建模有机会逐渐走向端到端。但这件事需要一个周期，就像自动驾驶过去也经历过相似的过程。


Founder Park：在你们的世界模型路线里，Coding 和多模态分别负责什么？


陈炜鹏：Coding 负责整个世界的规则、状态，还有长期记忆的同步。多模态负责交互和渲染。两者共同组成完整的系统。


如果只让模型预测下一帧，画面可能在视觉上合理，但世界内部的状态不一定真的发生了对应变化。Coding 的优势在于，可以把模型理解的规则显式表达出来，使其能够被执行、验证和持续更新。。


我们的目标可以概括成一句话，先计算世界发生了什么，再生成用户看到的世界。这就是我们所说的可控渲染。


Founder Park：那 Zing 的自研部分具体体现在哪里？


陈炜鹏：它并不是把一个第三方语言模型和一个第三方实时视频生成模型简单结合起来。我们主要解决了四部分问题，一是自研实时交互视频模型。第二，设计视频模型与 Coding 之间的分工和连接方式。第三，建立训练和评价方式。第四，构建低成本实时推理系统。


目前行业还没有形成统一、完备的 Benchmark。我们会做大量 side-by-side 对比，评价模型在 Prompt 与 Motion 联合控制等方面的表现。


低成本推理也是核心能力，我们现在平均玩一分钟，成本只有几分钱人民币，比市场上同类产品的成本要低一到两个数量级。因为实时交互只有进入产品、规模化运行，才会产生真正有价值的数据。


Founder Park：生成速度、成本、画面质量和物理准确性，你们现阶段会怎么排优先级？


陈炜鹏：这几个问题都很重要，包括自由度和视觉呈现。我们重点攻克的是如何构造一个相对开放的世界，但这个世界里的物理规律，可能需要更长时间才能解决。


所以在当前阶段做 Zing 的时候，成本和实时性反而更加重要。如果希望规模化部署并获得数据，首先要有一个能击中用户的基础体验。它不必第一天就达到 90 分，但必须在某一点上让用户愿意持续使用。


当然，目前整个模型还处于相对早期的阶段。如果让大量用户同时使用，延迟和稳定性可能还需要一段爬坡期。但经历了过去几年大模型的发展，我觉得我们应该对技术进步有充分的信心。两年前讨论视频生成时，最经典的案例还是吃面条时会从鼻孔里穿过去。但发展到今天，视频生成的成熟度已经突飞猛进。


04


实时视频生成无法直接走到世界模型


Founder Park：当前世界模型领域，各种技术路线其实还没有收敛。为什么你们认为把 Coding 和多模态结合起来有机会跑出来？


陈炜鹏：我们认为，只让模型预测下一帧是不够的。如果想构建一个相对完整的世界，可能还需要一套可以计算的规则，Coding 能够在其中扮演非常重要的角色。


我们想做的其实就是两部分。一是构建一个实时交互的视频生成模型，这个模型能够接受 Coding 模型给它的信号。二是这两个模型在整个运行的过程中能够不断地相互影响。


以目前的技术成熟度来看，这条路线已经具备一定的可行性，而且确实能够产生下一个阶段所需要的数据，这一点非常重要。对于模型来说，早期可能比拼的是算法和结构，但长期竞争最终都会转化为数据的竞争。


Coding 在加速，多模态也在加速，我们做两者结合的过程也在加速。这会让我们更清楚地看清不同技术路线的能力边界。去年我们刚出发的时候就在设想，Coding 为什么只能是一个生产力工具，它是不是可以变成一种表达工具？今年，我也开始看到有人在往相同的方向去思考这个问题，相信会有越来越多的人把这视为一条重要路径。


现阶段，大家对数字世界模型和物理世界模型的定义都不完全一样，要解决的问题也不同，所以很难一开始就有一条统一路径。问题定义不同，势必也会导致数据和模型设计上的差别。长期来看，不同路线最终可能会走向统一，只是现在还会有一段彼此分离、各自探索的时期。


Founder Park：讲世界模型故事的公司很多，类型也不一样，你们在这个生态里的位置是什么？


陈炜鹏：所谓世界模型可能会分两个不同的领域，一个是做物理空间的，一个是做数字空间的。我们做的是数字空间，跟具身智能公司的想象不完全一样。


在数字空间里面，也有一波公司是从应用切入进来的。我们关注的不是一家公司被称作世界模型公司，还是互动内容公司。更重要的是，谁能把模型和场景打通。我们选择从模应一体的角度切进去，是因为觉得这条路径更有可能走到赛道的终局。


Founder Park：把模型和场景打通为什么重要？


陈炜鹏：算法的核心驱动力来自三个部分：模型本身，尤其是模型结构；数据；场景。只有三个方面都非常成熟，这个技术才会非常成熟。


今天行业里很多人会把世界模型这个赛道当作文生视频赛道的延伸，但其实它们的技术逻辑不太一样。


文生视频一开始就有两个条件是成熟的。第一，YouTube 和短视频平台集结了非常多的数据，数据一开始就很成熟。第二，文生视频的产业链路没那么长，场景比较成熟，技术攻克之后很容易在一个场景里落地并获得商业收益。所以它当时最难的问题其实是模型问题，解决了模型问题之后所有问题都会被推开。


但交互世界模型不是这样的，三个方面的条件都不成熟。首先，一开始就没有大量的交互数据。今天整个世界里有规模化交互数据的可能只有游戏，但游戏产业是一个相对封闭和割裂的产业。它们的数据是不共享的，被限制在一家公司或一个游戏里面，没办法 scaling。而且大家对游戏里能够完成的这些行为、定义也是不一致的，这些数据在某种程度上是孤岛，没有被标准化。


其次，游戏产业的应用场景链条非常长。AI 进入到游戏里面，到现在依旧没有建立一个端到端的场景，只能成为整个链条中的一部分，规模化应用和商业价值某种程度上会被限制。再次才是模型的问题。


所以虽然交互世界模型表面上像文生视频，但实际上技术逻辑更接近自动驾驶。有很多人试图从模型的角度切进去，但只有模型还不够，还需要真实产品持续产生数据、验证体验。既做产品又做模型的公司，更有机会在早期形成这种闭环。因为它会在早期获得非常规模化的数据优势，这是驱动技术快速