世界模型的门槛，谷歌可能迈过去了

Google可能要放大招了。

就在Google I/O 2026开幕前夕，两条由尚未发布的新视频模型Gemini Omni生成的视频悄悄流出。没有预告，没有造势，整个社交媒体瞬间被引爆。

一条视频里，一位教授站在黑板前，手持粉笔，一步步推导着三角恒等式；另一条，则是两名男士坐在海边的高档餐厅里，安静地享用意大利面。

Reddit和X的评论区，几乎被同一句话刷屏：“这不可能是现有的技术水平。”

两个看似普通的日常场景，凭什么能让见惯了AI大场面的技术圈集体侧目？

令人震惊的视频

先看那条“教授黑板讲课”的视频。生成它，只用了一条简单的指令：

“一位教授在传统黑板上写出三角恒等式的数学证明，同时用语言解释他当前正在推导的步骤。”

就这么一句话，没有多轮对话，也没有分步骤控制。

结果呢？教授手持粉笔，逐步写下公式，同时开口讲解，画面流畅，板书工整。

听起来似乎平平无奇？

但如果你了解当前视频生成模型的技术边界在哪里，就会明白Gemini Omni同时做到了三件事——而这三件事，在过去从未被同一个模型完美实现。

第一，推理对了。

黑板上的证明过程，在数学上是成立的。这不是视觉上长得像公式的符号堆砌，而是数学意义上真实有效的推导。要做到这一点，模型必须在基础的token预测之外，具备一定的符号推理能力。它得“知道”下一步应该出现什么公式，而不是随机采样一个看起来像数学的图案。这种语义准确性叠加在视觉生成之上，正是大多数视频模型会在这类测试中翻车的原因。

第二，空间关系对了。

评测者描述，粉笔书写时的手部和手臂动作“读起来是自然的”，黑板上的方程式清晰可辨。手部，是AI视频生成里公认的“鬼门关”。手指数量错误、关节扭曲、与物体的空间关系失真，几乎是每一代视频模型都栽过的坑。而在这里，一支粉笔被正确握持，在黑板上留下有意义的笔迹，手腕的力道、落笔的角度，都在合理的范围内。这一关，比单纯画一只正常的手还要难，因为它要求手与黑板、粉笔、书写行为之间，形成一套完整的空间逻辑。

第三，时序对了。

这是最容易被低估的一点。教授写下某个推导步骤的同时，口头讲解的正是这个步骤，板书进度与语音内容保持完美同步。这远不止是音视频的帧级对齐，而是视觉事件、语义事件、时间事件三者之间的跨模态协调。任何一个维度的理解出现偏差，结果就会是“手在写A，嘴在讲C”。这种错位，人类观众一眼就能感知到。

如果这三件事只是分别做到，我们可以认为是三个专项模块拼凑的结果。但三者同时成立、彼此协调，更可能意味着模型在某个表征层面上，已经对“教授在黑板上讲课”这件事形成了整体性的语义理解。换句话说，它似乎理解了这件事在现实世界里是什么样子，以及其中各个元素之间的约束关系。这也正是“世界模型”这个词，会在这条视频流出后被频繁提及的原因。

在黑板视频流出的同时，另一条视频也一起曝光：两名男士在海边高档餐厅吃意大利面。

这个场景的选择，绝非偶然。2024年，一段AI生成的“Will Smith吃意大利面”视频曾在网上疯传。画面里手指数量不对，面条像活物一样扭动，叉子和嘴的空间关系完全失控。那段视频，成了早期AI视频生成能力的“耻辱柱”。

图为“Will Smith吃意大利面”视频截图

而这一次，Gemini Omni生成的结果，被用户评论为“令人难以置信地真实”。这背后考验的，是模型对刚体与柔性体之间动态交互的建模能力：叉子是硬的，面条是软的，两者在接触时会产生形变，而形变的方式必须符合现实世界里的物理直觉。这正是早期生成模型在隐式物理模拟上的致命短板。

一个模型，在两条视频里，分别挑战了视频生成最难的两类问题：一类是符号、语音与画面的同步，另一类是人与物体、刚体与柔性体的交互。并且，它把这些问题都推进到了一个更可用的状态。Gemini Omni展示的，更像是一个对世界有着更深层理解的基座模型。

Gemini Omni的冲击

截至目前，Google尚未发布Gemini Omni的任何技术文档，也没有公开模型参数或基准测试数据。但关于它的架构，外界已有三种主流解读。

最保守的说法是，Omni只是Veo的品牌重命名，底层推理引擎没有根本变化；第二种说法则认为，Omni是在Gemini架构下重新训练的全新视频模型，与Veo并行但独立；第三种说法最激进，认为Omni是一个真正意义上的原生多模态统一模型，能在单一架构里原生处理文字、图像、视频和音频。

基于那两段视频的表现，第三种解读反而像是“Omni”这个命名最合理的指向——毕竟在拉丁语中，“omnis”意味着“所有”。

如果Omni真正打通了多模态链路，那么模型竞争的焦点就会发生根本性转变。竞争将不再是谁能拍出更像电影的画面，而是谁能成为内容创作者的“唯一目的地”。

虽然现在还不能断言Gemini Omni已经是世界模型，但它至少表明，视频生成技术正在逼近世界模型要解决的核心问题：如何在时间中维持一个可解释、可编辑、可连续推演的场景。

产品层面的冲击同样不容忽视。今天，一条AI视频的生产链路通常需要串联语言模型写脚本、图像模型做故事板、视频模型做动画渲染，再用外部剪辑软件做后期处理。每一次跨工具切换，都意味着信息损耗和风格漂移。一旦Gemini Omni的对话式视频编辑能力成立，这条冗长的链路就可能被一个简单的对话窗口替代。

更关键的是，如果Omni被深度整合进Gemini入口，并与Gmail、Google Docs、YouTube、Android等生态打通，那么这种由分发和生态构筑的壁垒，将是字节的Seedance、快手的Kling等竞争对手在短期内难以复制的。技术能力决定上限，而生态决定规模。Gemini Omni真正的威胁，或许不在于它今天生成的视频有多好，而在于它把顶级的视频生成能力，放在了竞争对手根本进不去的生态位里——这几乎构成了一种降维打击。

世界模型时刻或许来临

回顾过去几年，生成式AI的进化路径相对清晰：语言模型学会了读和写，图像模型学会了看和画，视频模型学会了动。每一个模态都在自己的赛道上狂奔，但它们之间，始终存在一道隐形的墙。模型知道文字，也知道图像，但它未必理解文字和图像之间、声音和动作之间、逻辑和画面之间在现实世界中的约束关系。

如果说ChatGPT时刻定义了语言的边界，Sora时刻定义了视频的边界，那么Gemini Omni所指向的，很可能是第一个真正意义上的“世界模型时刻”。模型第一次开始尝试理解，不同模态在现实世界中的内在关联与约束，而不仅仅是分别生成它们。这无疑是一次质的飞跃。

当然，Gemini Omni是否真正实现了这一点，在5月19日Google I/O 2026大会正式揭晓之前，没有人能给出确定的答案。但泄露出来的视频，给出的信号已经足够有力。接下来Google会在台上说什么，我们很快就会知道。