专访Reverie袁博地：从Google X到实时交互模型，重新定义下一代AI Interface

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。

03 Interaction Model：构建实时交互 AI 的核心技术体系

ZP：你们最新发布的 R v0.2，为什么被定义为 Interaction Model，而不只是一个视频模型？它在全模态交互和实时性上，分别有哪些关键能力？

袁博地：首先我想澄清一点，Interaction Model 并不是我们独创的概念。今年四、五月份，Mira Murati 创立的 Thinking Machines Lab 也提出了这一方向，他们对下一代 AI 交互的判断，与我们的思考有很多相似之处。

其中有两个核心观点，我们认为也是 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。

所谓全模态，并不是简单支持文字、语音和视频几种输入输出，而是模型能够统一理解和生成不同模态的信息，并将它们融合到同一个交互过程中。除了文本、语音、图片和视频之外，我们还进一步支持屏幕点击、滑动、拖拽、缩放等 Touch Input，让模型能够理解用户在屏幕上的具体操作，并据此实时调整后续生成内容。在我们看来，这些能力不应该是彼此独立的功能，而应该共同构成一个连续的交互状态。

另一项关键能力是实时交互。今天大多数 AI 产品仍然采用 Turn-based 的交互方式，用户输入一句话，模型完成一次生成，再等待下一轮输入。但人与人之间的交流并不是这样，而是一个持续、流式的过程。我们说话时可以相互打断、随时补充新的信息，交互状态始终在不断变化。因此，我们内部更倾向于把这种能力称为 Adaptive Streaming Interaction (自适应流式交互)，模型需要持续接收新的输入，并持续更新自己的输出，而不是等待每一轮交互结束。

基于这样的设计理念，R v0.2 的重点并不是把一段视频生成得更长、更清晰，而是让模型能够持续理解用户当前正在做什么，并把这些行为实时带入下一时刻的生成过程。用户说了什么、看到了什么、点击了哪里、滑动了什么、刚刚完成了哪些操作，以及当前所处的状态，都会成为模型持续推理的一部分，而不是一次 Prompt 完成之后就被遗忘。

在性能方面，我们重点投入了实时能力的建设。目前，R v0.2 已经能够实现超过 60 FPS、480P 的实时音画同步视频输出，在现阶段属于行业领先水平。我们希望模型面对的不是一个静态 Prompt，而是一个持续变化的人。Interaction Model 的价值，也正在于让 AI 从一次性的内容生成，真正演进为持续、实时、全模态的互动体验。

ZP：你们提出了 Realtime Interactive Engine。能否从用户输入到模型输出，拆解一下整个系统如何运转？不同模态的信息如何被理解、融合，并形成持续的实时交互？

袁博地：从系统架构来看，Realtime Interactive Engine 并不是传统意义上的“生成一次、结束一次”，而是一套持续运行的流式系统。模型始终处于实时生成状态，用户也始终可以在生成过程中持续输入信息，两者共同构成一个连续循环，而不是一轮一轮的交互。

由于交互涉及文字、语音、视频、屏幕操作等多种模态，系统首先需要完成多模态融合（Multi-modal Fusion）。模型不仅要理解用户说了什么，还要理解用户是如何说的，以及用户当时所处的状态。例如，同一句话，用户是在微笑还是在哭泣，表达的含义可能完全不同；用户点击的是西瓜还是橘子，也不能仅依赖点击动作本身，而必须结合屏幕内容和点击位置共同判断用户的真实意图。

因此，在交互过程中，模型始终需要进行 State Estimation（状态估计）。它不仅理解当前这一刻的输入，还需要持续维护整个交互过程中的上下文和状态，将用户刚刚说过的话、完成过的操作、当前环境以及历史信息统一融合，再作为模型下一时刻生成的依据。在此基础上，模型同步输出视频、音频等多模态内容，而这些输出又会立即成为下一轮交互的一部分，形成持续闭环。

整个系统最具挑战性的地方，在于输出本身也是动态的。传统视频模型通常会预先确定生成 5 秒、8 秒或 12 秒的视频；即使今天一些流式视频模型，也大多采用固定的 Chunk Size，例如每次生成 8 帧或 24 帧，再等待下一次生成。

但真实的人机交互并不存在固定节奏。有时候用户会立刻打断模型，有时候会连续交流几十秒，每一次交互的节奏都不同。因此，我们没有采用固定长度的输出方式，而是让模型根据当前交互状态，实时决定应该输出多少内容、何时继续、何时停止，并动态调整 Chunk Size。我们将这一机制称为Adaptive Streaming Interaction，这也是 Realtime Interactive Engine 最核心的创新之一。它让模型生成的不再是一段预先规划好的视频，而是一段能够随着用户行为不断演化的实时互动过程。

ZP：实时交互模型最大的技术挑战是什么？如果把系统拆开来看，全模态耦合、用户意图理解、世界状态估计和实时输出中，哪些问题比训练高质量视频模型更难？

袁博地：我们认为，实时交互模型最大的挑战，并不是把某一个能力做到极致，而是如何让多个能力在同一个系统中同时成立。对传统视频模型而言，核心目标是生成质量；而对于交互模型来说，模型不仅要生成内容，还要持续理解用户、维护世界状态，并在极低延迟下完成实时响应。这些能力之间彼此耦合，任何一个环节都会影响整个系统的表现。

首先，全模态能力本身就是一个全新的挑战。很多交互信息并不是现有模型天然支持的模态，例如用户在屏幕上的点击、滑动、拖拽等操作。模型不仅需要识别这些行为，还要理解这些行为背后的真实意图，并将其与语音、文字、视频等其他信息统一建模。这也是为什么我们投入了很多工作在用户意图理解（Intent Understanding）和世界状态估计（World State Estimation）上，因为这些能力决定了模型能否真正理解用户正在做什么，而不仅仅是识别用户输入了什么。

与此同时，模态数量越多，实时性的挑战就越大。每增加一种输入，都会带来更多计算和更高的延迟，但交互模型又必须始终保持实时响应。因此，我们需要在模型架构、推理系统和工程优化等多个层面同时进行设计，让系统在处理多模态信息的同时，依然能够维持超过 60 FPS 的实时性能。

除此之外，我们还围绕时空压缩（Spatial-temporal Compression）、世界状态维护以及长期记忆等方向进行了大量创新。这些能力共同解决的是一个更底层的问题：如何让模型始终生活在一个连续的世界里。用户的动作、选择、触碰，以及角色、场景和任务状态，都需要在系统内部持续维护，并不断影响后续生成结果。

因此，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。只有这些能力能够同时成立，AI 才能真正从“生成一段内容”，演进为“持续参与互动”。

ZP：实时交互要真正走向大规模应用，成本是绕不开的问题。你们将互动成本降到传统视频生成方案的约1%，背后的核心技术路径是什么？整个系统是如何通过模型效率优化来实现这一点的？

袁博地：我们一直认为，对于消费级 AI 产品来说，成本不是一个工程优化问题，而是决定产品能否成立的基础条件。如果一次实时交互的成本过高，用户就只能偶尔体验一次，它很难支撑高频、长时程的互动，更不可能服务大规模用户。

因此，我们从 Day One 就把模型效率放在与模型能力同等重要的位置。我们的目标并不是单纯降低一次生成的成本，而是在保证实时性的前提下，让同样的计算资源能够支撑更多用户、更长时间的持续交互。

从底层逻辑来看，成本最终取决于 GPU 的利用效率。模型运行速度越快，单位时间能够完成的推理越多；完成同样数量的推理所消耗的 GPU Hours 越少，最终交互成本也就越低。因此，我们所有的优化，本质上都围绕模型效率展开。

具体来说，我们并没有依赖某一项单点技术，而是从多个层面共同优化整个系统，包括模型蒸馏（Model Distillation）、模型量化（Model Quantization）、时空压缩（Spatio-temporal Compression），以及前面提到的 Adaptive Streaming等架构创新。这些技术分别带来数倍的效率提升，叠加之后，最终实现了约两个数量级的成本下降。

目前，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。因此，我们仍在朝着进一步降低一个数量级的目标持续优化，近期会实现接近千倍的成本改善。

ZP：为什么交互模型必须拥有世界状态和长期记忆？如果缺少对交互历史和当前环境的理解，用户与模型之间的交互会失去什么？

袁博地：这也是交互模型与传统视频模型最本质的区别。视频模型关注的是生成一段内容，而交互模型关注的是维持一个持续演化的世界。用户不会只与 AI 交互一次，而是会持续交流、持续做出选择。因此，模型必须始终理解用户过去做过什么、当前处于什么状态，并据此决定下一步应该如何响应。

从本质上来说，交互建立在 Context 之上。人与人之间的交流之所以有意义，是因为双方共享过去的经历和当前的状态。同样，AI 与用户的交互也需要建立在持续积累的 Context 上，而不是每一次都重新开始。

举个简单的例子，如果我突然问 AI：“你刚才做了什么？”如果模型没有任何记忆，也没有世界状态，它只能生成一个看似合理的答案，这本质上就是一种幻觉（Hallucination）。但如果 AI 记得自己刚刚捡起了一个苹果、吃了一顿饭，或者完成了一项任务，那么它的回答就建立在真实的交互历史之上，整个互动也会变得更加自然、更有意义。

ZP：全模态互动数据与大语言模型所使用的互联网语料有什么根本不同？为什么必须通过产品获取真实互动数据，并构建“产品—数据—模型”的迭代飞轮？

袁博地：大语言模型能够快速发展的一个重要原因，是互联网已经积累了海量文本数据。但全模态交互时代并不存在这样的公共数据集。今天几乎没有现成的数据能够记录用户如何与 AI 持续互动、如何通过语音、视频、触控等多种方式共同完成一次完整的交互过程，因此这类数据只能通过真实产品不断产生。

这也是为什么，我们从一开始就坚持同步做产品和模型，再做数据。我们希望把产品交到用户手中，让用户在真实场景下不断与 AI 互动。这些交互天然包含了用户偏好，也记录了用户如何做选择、如何反馈，以及什么样的体验能够真正留住用户。

相比传统的一问一答，全模态互动数据最大的价值，在于它记录的是连续的行为轨迹，而不仅仅是最终答案。用户下一步会做什么、什么时候停留、什么时候退出、是否愿意继续探索同一个世界，这些都会成为理解用户真实意图的重要监督信号，也是训练交互模型最有价值的数据。

目前，我们已经积累了上亿级别的 RLHF 交互数据，并持续通过产品收集新的序列化交互反馈。在这个过程中，产品负责产生数据，数据持续优化模型，而模型能力的提升又进一步改善产品体验，最终形成“产品—数据—模型”的闭环。

我们经常把这个过程类比为 Tesla。 Tesla 并不是等自动驾驶完全成熟之后再交付汽车，而是让真实用户持续使用，通过海量驾驶数据不断迭代模型，最终建立起自己的数据飞轮。我们认为，Interaction Model 也会遵循类似的发展路径。长期来看，真正难以复制的竞争优势，不只是模型本身，而是持续产生高质量交互数据，并不断完成模型迭代的能力。

04 10 万 DAU 的背后：一支有Technology Product Fit能力的团队

ZP：从产品数据来看，哪些指标能够证明用户正在真正与 AI 持续互动？团队又如何判断，这种使用不是短期的新鲜感，而是真正形成了长期价值？

袁博地：我们的产品于今年3月正式上线，目前 DAU 已接近 10 万。活跃用户日均使用时长达到 80 至 90 分钟，平台累计生成的互动视频已经超过 1 亿条。更重要的是，随着模型持续迭代，我们看到用户使用时长仍在不断增长。

对我们来说，这些数字的意义并不只是产品规模，而是证明互动视频已经开始形成真实且持续的用户需求。用户并不是生成一段视频后就离开，而是在同一个故事、角色和世界中持续互动，不断做出新的选择，推动内容向前发展。

不过，我们比 DAU 更关注留存。对于任何消费级 AI 产品而言，真正能够反映产品价值的不是有多少用户来体验，而是有多少用户愿意持续回来。尤其对于一个全新的产品形态，初期一定会有大量尝鲜用户，因此 Day 1 留存本身并不能说明太多问题。

我们更关注的是长期留存相对于短期留存的表现，例如 Day 30 留存与 Day 1 留存之间的关系。这个指标能够更真实地反映，第一批留下来的用户是否愿意持续使用产品，而不是因为新鲜感短暂停留。

因此，每一次模型升级，我们都会重点观察几个核心指标：用户使用时长是否继续增长、交互次数是否增加，以及长期留存是否同步改善。只有当模型能力的提升能够持续转化为用户行为和留存的改善，我们才认为这次模型迭代真正创造了价值。

ZP：Reverie 团队既有 AI 研究和工程背景，也有产品与设计能力。今天团队最核心的竞争力来自哪些能力？你们又如何让不同背景的人形成共同 context，并高效协作？

袁博地：我认为，团队最核心的竞争力在于Technology Product Fit（TPF）的能力。我们不仅关注技术本身的突破，更关注如何把最前沿的技术快速转化为真实的产品体验，并通过产品不断验证和迭代。这是我们团队一直以来最擅长的事情。

在组织方式上，我们并不会把研发、产品和设计完全割裂。AI正在打破传统岗位之间的边界，借助AI工具，工程师会直接参与甚至完成一部分设计工作，产品同学也会亲自做一些开发和实现。不同角色不再只是理解彼此的工作，而是能够真正跨越原有的职能边界，共同参与从产品定义到最终落地的全过程。

这样做的目的，并不是让每个人都变成全能型人才，而是让整个团队建立更加一致的 Context。

当产品理解技术边界、技术理解用户需求之后，很多决策都可以在更高效的沟通中完成。大家讨论的不再只是各自负责的模块，而是共同围绕最终的产品体验做判断，这能够减少很多不必要的沟通成本，也让迭代速度更快。

我们一直相信，好的 AI 产品不是技术团队和产品团队分别做出来的，而是在共同的 Context 下协同迭代出来的。对于一家创业公司来说，这种跨职能协作能力，同样是非常重要的竞争力。

ZP：未来实时交互模型的 Scaling 路线会是什么？模型规模是否仍是最关键变量，还是多模态能力、数据和模型效率会成为更重要的决定因素？

袁博地：模型大小会不会更大，我不太确定。但我们认为，模型一定会变得更加全面，模态会更加丰富，多模态智能会大幅提升。今天整体多模态模型仍处于相对初期阶段。我们的判断是，接下来一到两年，多模态整体能力会大幅提升。在这个过程中，最大的 bottleneck 将不再是算法或算力，而会逐渐转向数据。这也是为什么我们要更早布局数据飞轮。我们认为，接下来数据会成为多模态最关键的一环。

ZP：如果未来用户规模持续增长，实时交互量不断提升，您认为团队面临的首要技术挑战是什么？

袁博地：随着用户数增长，成本可能是我们首先要考虑的问题。我们正在想各种办法，将整体交互成本压缩100倍，甚至1000倍。团队内部也在做下一轮10倍优化，这样才能 scale 到更大规模。比如今天我们不到十万 DAU，如果能把成本继续降低，在同样成本下就可以 scale 到百万 DAU 量级。这是我们今天一个比较关键的方向。

ZP：最后，展望十年后的 AI 交互，您认为今天的视频会被如何重新定义？静态、不可交互的内容，与动态、可触碰、可沟通的内容，未来会形成怎样的新内容形态？

袁博地：我觉得，AI 会重新定义今天所谓的视频。我们思考的不是未来 AI 视频会变成什么样，而是十年以后，我们今天看到的视频会变成什么样。未来的内容形态可能会有新的定义。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。我们认为，未来内容会逐渐趋于这两大类：传统内容是静态的，新一代内容则是动态、可交互的。

文章来自于微信公众号 “Z Potentials”，作者 “Z Potentials”