ARTICLE · 992616
以后还需要打开 App 吗?Runway Solaris 想让 AI 实时生成整个界面
以后还需要打开 App 吗?Runway Solaris 想让 AI 实时生成整个界面现在的网页和 App，基本都遵循同一套逻辑：设计师画出界面，工程师把它翻译成代码，用户再按照开发者预先设计好的按钮、菜单和流程进行操作。 Runway 最近公布了一个大胆的方向：如果界面不再由固定代码提前写死，而是由 AI 根据用户的动作实时生成，会发生什么？ 这个名为 Solaris 的系统，被 Runway 称为 Interface World Model，也就是“界面世界模型”。它不是只生成一张网页截图，也不是把设计稿转换成 HTML，而是尝试让整个视觉界面在用户点击、拖拽和输入时持续变化。 简单说，过去的软件是“先写好，再使用”；Solaris 想探索的是“边使用，边生成”。 
理解 Solaris，先要区分三种东西：图片、代码界面和界面世界模型。 一张图片可以很好地呈现视觉效果，但它不能真正响应点击；一套代码界面可以响应点击，却需要开发者提前写好每一种行为；而界面世界模型试图直接学习“画面、用户动作和下一步变化”之间的关系。 可以把它看成一个会动的数字场景： 传统 App 更像一张有固定路线的地铁图，用户只能沿着设计好的站点前进；Solaris 更像一个可以随时改造的房间，用户说“把桌子移开一点”或“把沙发换成蓝色”，界面会直接在当前场景中做出反应。 今天的 AI 已经可以根据一句话生成网页代码，也可以根据截图还原一个网站。 但这中间有一道“翻译”：AI 先理解视觉设计，再把设计转换成 HTML、CSS、JavaScript 或其他中间表示。最终用户看到的，是代码对原始视觉意图的一次近似重建。 Solaris 的思路是绕过这一步，让模型直接生成界面画面，并同时理解用户行为。 这带来三个明显变化： 在传统软件里，视觉效果和功能逻辑通常是两套系统。Solaris 试图让一张视觉场景本身就成为可交互的应用。 比如，虚拟服装店不必只是商品卡片和按钮，用户可以直接从货架上拿起衣服，拖到自己的照片上试穿，再重新布置展示空间。 传统网页通常等用户做出操作后才更新。生成式界面则可以持续变化：光线会移动，物体会产生反馈，场景会随着用户的动作逐步演化。 开发者通常需要提前定义“点击这里会发生什么”。而在 Solaris 的设想里，用户可以直接与场景里的对象互动，模型根据上下文决定这个对象如何响应。 这意味着，同一个画面可能因为用户的不同表达，产生过去没有被开发者预先设计过的行为。 根据 Runway 的介绍，Solaris 建立在其 Gen-4.5 视频生成模型之上，并结合了此前的 GWM-1 世界模型研究。 它主要做了三件事。 点击、拖动等用户动作会被当作下一帧画面的条件输入。模型不需要看到未来的操作，只根据已经发生的动作和当前场景推测接下来应该发生什么。 例如，用户拖动一个物体，模型需要同时考虑物体的位置、大小、材质和周围环境，而不是简单地把一个图片元素从左边搬到右边。 普通视频扩散模型往往需要经过多轮去噪，生成一个视频片段可能需要几秒甚至更久，这很难支持用户连续点击。 Runway 描述的优化路径包括：让模型逐帧自回归生成、减少去噪步骤，以及让快速模型使用自己的输出继续训练，以保持长时间交互时的画面质量。 Solaris 并不是单独完成所有事情。一个语言模型负责理解用户意图，判断当前场景应该如何变化，并生成引导提示；界面世界模型负责把这个变化渲染成下一帧画面。 可以把两者理解成导演和摄影师：语言模型决定下一场戏演什么，Solaris 负责把它即时拍出来。 Runway 认为，界面世界模型可能改变几类产品。 未来的商店不一定给每个人展示同一个固定页面。用户可以通过自然动作改变商品排列、颜色和空间布局，产品展示会围绕自己的意图实时调整。 传统教程让所有人观看同一套步骤；生成式教程可以根据用户当前的操作，实时展示下一步。如果用户操作偏离流程，系统也可以在当前上下文里进行引导，而不是简单提示“请返回上一步”。 例如生成一个燃烧实验，用户更换材料、调整条件，就能看到场景随操作变化。它不再只是播放一段固定动画，而是让用户在视觉环境中进行探索。 如果操作系统能够根据任务临时生成合适的界面，那么用户未必需要先找到对应的 App。想订酒店、比较商品或整理资料时，系统可以围绕当前目标生成一个临时工作空间。 这是一个很大的设想，但它也意味着软件的基本单位可能从“预先制作好的应用”转向“按需生成的交互环境”。 Runway 在介绍中做了两类评估。 第一类是视觉重建测试：让多模态模型根据截图重建网页、海报和自然场景，再比较重建结果与原始画面的相似度。Runway 的结论是，随着画面复杂度增加，传统“截图—语言描述—代码重建”的方式会损失更多细节。 第二类是交互对比测试：让 Solaris 和一个代码生成方案从同一张图片开始，接受相同的互动请求，再由 250 名参与者对 30 组案例进行比较。 按照 Runway 公布的数据，参与者在“是否遵循指令”这一项上更偏好 Solaris，比例为 61% 对 24%；在“行为是否自然”这一项上，Solaris 的偏好比例为 71% 对 21%。 这些结果说明，在该测试集和测试方法下，参与者更喜欢 Solaris 生成的交互效果。但它们并不等于 Solaris 已经可以替代所有真实网页，也不代表任何复杂任务都应该使用生成式界面。 Solaris 的概念很有想象力，但 Runway 自己也承认仍有几项关键难题。 生成式视频擅长动态视觉，却经常难以稳定生成清晰、准确、不会变形的文字。但真实软件大量依赖文字：商品名称、价格、按钮、表格和法律条款都不能随意出错。 因此，一个现实的混合方案可能是：图像和视频模型负责连续的视觉交互，文字密集页面仍使用传统渲染或在可接受的等待时间内单独生成。 如果一个商业界面把错误的产品参数、价格或库存生成得非常逼真，问题会比普通页面报错更严重。 Solaris 目前需要依靠起始画面、参考图片和外部资料来约束生成结果。如何在交互过程中持续接入经过验证的商品数据、文档和品牌信息，仍是重要研究方向。 生成几帧画面并不难，难的是让一个场景在长时间操作后仍然保持人物、物体、文字、布局和逻辑的一致。 如果一张桌子被拖动几次后逐渐变形，或者商品在连续操作中改变了身份，用户很快就会失去信任。 真正的软件需要支持屏幕阅读器、键盘操作、辅助功能 API、支付系统和数据接口。视觉上灵活的生成界面，如何与这些成熟的软件基础设施兼容，目前还没有简单答案。 Solaris 目前仍是 Runway 正在探索的早期系统，官方介绍中提供的是早期访问申请，而不是面向所有人的成熟产品。 短期内，传统代码界面仍然有几个不可替代的优势：可预测、易测试、成本相对可控、文字稳定、无障碍支持成熟，也更容易进行权限和安全审计。 生成式界面的优势，则在于视觉表达、个性化和开放式互动。它尤其适合那些本来就像“空间”或“演示”的场景，例如虚拟展厅、教育模拟、创意工具、互动广告和游戏化体验。 比较合理的未来形态，可能不是所有页面都由模型逐帧生成，而是让传统代码与生成式界面协同：关键数据、支付、账号和核心业务逻辑由可靠代码负责，视觉呈现和探索式交互由世界模型动态生成。 Runway Solaris 提出的真正问题，并不是“AI 能不能生成一个更漂亮的网页”，而是：软件是否一定要先被完整写好，用户才能开始使用？ 如果界面可以根据用户的意图实时生成，那么未来的操作系统、网站和应用，可能会越来越像可交互的数字环境，而不是一组固定页面。 但这条路要真正走向大众，还需要解决速度、稳定性、文字准确性、事实可信度、成本和无障碍等问题。 Solaris 更像一次重要的方向展示：AI 正在从生成内容，走向生成我们与软件互动的方式。
什么是“界面世界模型”
用户点击、拖动或输入↓模型理解这次动作和当前场景↓生成下一帧画面与对应变化↓用户继续操作，场景持续演化
它和普通 AI 生成网页有什么不同
1. 界面首先是视觉场景
关注
重播 分享 赞
2. 界面是持续“活着”的
关注
重播 分享 赞
3. 交互不必完全预先写死
Solaris 是怎样工作的
关注
重播 分享 赞