当内容产业开始进入AI模型化阶段，大家拼的不仅是流量，也是数据、算法和核心创意。我们面临的挑战不仅是某种技术的变革，也是思维和意识的转型。

■ 潮声 | 执笔 谢丹颖

人工智能（AI）推动视频生成技术又迈出新的一步。

不久前一条发布在社交媒体平台的AI视频中，角色集体开口戏谑：“我们不过是0和1的排列组合？醒醒吧，伙计。”

让它们“开口说话”的是美国谷歌公司在今年5月发布的视频生成模型Veo 3。其最大的特点是在视频中融合音频，直接生成话语流畅、口型自然的人物，且自带符合场景特征的音效。而此前，AI视频一直是默片，需要后期配音，再借助工具让角色嘴唇动作看起来合理。

2022年以来，以ChatGPT聊天机器人程序为代表的生成式人工智能引发社会关注。行业像被按下了快进键，几乎每个月都有相关热点出现。相比之下，视频生成技术在最初一段时间里不温不火。不过，历经近3年的发展，AI视频已逐渐从最初类似PPT、动图的形态，进化至能够直接产出合理视频。基座模型能力的迭代，带来了画面真实感、视频情绪度和流畅度的提升，影响面不断扩展，渗透性持续增强。

如今，学界、业界已在眺望AI视频迎来“技术奇点”的时刻。我们该如何理解视频生成模型的核心突破意义？它又会给人们生产生活带来什么影响？

忽如一夜春风来

2023年初，AI生成视频与生成图像，几乎在同一时期进入公众视野——英国人工智能公司Stability AI的“稳定扩散模型”（Stable Diffusion）带火了“文生图”，美国人工智能公司Runway的视频生成模型“Gen-1”则是激起了“人人都能制作电影大片”的无限遐想。

彼时，“稳定扩散模型”用时数月，让AI生成的图像几近照片级真实。Runway创始人不由兴奋：“我们已经看到了图像生成模型的爆发，相信2023年将会是视频之年。”

然而，图像生成模型的成功并没能引发AI生成视频技术的迅速成熟。

起初，AI视频主要分为两条技术路径：或是与“文生图”的技术一脉相承，着重“还原呈现”，打上“扩散模型”（Diffusion Model）的烙印；或是沿用ChatGPT的技术脉络，采用“自回归模型”（Autoregressive Model）方法，讲究“逻辑推理”，靠大参数、大数据，从零开始构建模型体系。

“走纯粹的‘自回归’路径，至今尚未出现很好的产品。”浙江大学艺术与考古学院副教授沈华清说。同时，他认为使用更普遍的“扩散模型”缺陷也明显。

沈华清自称“无门无派、兴趣广泛的教书先生”，从“好奇尝鲜”变成“深度沉迷”。沈华清类比帧动画原理，向记者解释“扩散模型”的技术难点：“按最低的24fps（帧/秒）算，5秒的视频需要120张图。每张图间都要保持相互的人物一致、动作连贯，连光影的斑驳细节都不能穿帮——这相当于让120位画家同时画同一幅画，每一幅每一笔都要严丝合缝。”

的确，静态图像生成只需解决“是什么”的问题。视频却要在此基础上，在回答“如何变化”命题的同时，保证主体的统一以及符合常识的运动。2023年底，与美国人工智能初创公司Midjourney同名的“文生图”工具已经能生成以假乱真的图像。同期，美国AI初创公司Pika Labs发布的AI视频产品Pika 1.0还局限在风格特定的3秒片段上。

沈华清回忆起那段使用经历，即便先用“文生图模型”生成了不错的分镜图，再通过“图生视频模型”拼接成片，但在最终呈现的几秒视频里，人物总是畸形、画面常有畸变，“这哪是人在动，分明是算法在抽搐，看得人脊背发凉”。

生成视频技术始终“小步快走”，没有根本性的突破。就在大家快失去耐心时，时间来到2024年2月：美国开放人工智能研究中心OpenAI继ChatGPT后，发布“文生视频模型”Sora。

这一全新模型用ChatGPT背后的神经网络架构Transformer替换传统“扩散模型”中的卷积U-Net网络，迭代出一条新路径DiT（Diffusion Transformer）。如此，Sora可以精准根据文本指令，生成最长为1分钟的高清视频，画面逼真、丝滑连贯。

业内有人称：“AI视频的‘GPT时刻’，来了。”

忽如一夜春风来。眼下，腾讯“混元”、华为“诺亚”……各家厂商在大模型领域谋局落子，可谓“神仙打架”。其中，又以拥有海量视频数据的字节跳动、快手增势最为迅猛，其分别在2024年3月、6月推出“即梦”和“可灵”，迅速跻身AI视频产品的第一梯队。

一位技术人员笑称，这条新路径似乎达成了一个“成年”模型的“既要又要”——用大语言模型里学到的世界知识来帮助生成视觉世界。“视频就这样成了从大模型根上生长出来的一项功能，上升轨迹飞快。”

但即便是Sora问世一年后的今天，一键“文生视频”仍难有良品。“毕竟，语言是高度压缩的信息。”沈华清说，一千个读者眼中尚且有一千个哈姆雷特，将抽象文字直接转为具体的时空连续体，这对算力和工程化的要求实在太高，“不是谁都能做的，也不是在短时间内就能做好的。”

是助手，更是共创者

令人振奋的AI技术革新终归要落地产业，才能产生实际价值。

一位技术人员告诉记者，不同于此前大模型简单直接的“文本输入—文本输出”交互逻辑，视频生成技术因视觉模态的复杂性，用起来要棘手得多。而“能用”与“好用”之间，又横亘着训练数据、算力、成本控制等多重障碍。

眼下，单个的AI视频生成工具还处在“宣传视频都很好，但实际一点都不好用”的阶段。

“套用多种工具很有必要。”中国传媒大学导演系科班出身的罗翀，拍过豆瓣8.3分传记式宣传片、拿过中国纪录片学院奖。今年年初，他从杭州某大厂离开，转型自由AI导演。在制作多个商片的过程中，他迅速摸到了生成视频的一条路子。

罗翀介绍，不同视频生成模型的优缺点各异。比如，快手的“可灵”强在对多镜头、物理规律的理解；美国人工智能公司Runway的模型性价比更高，生成速度更快。

但他也告诉记者，基于AI生成产品的不稳定性，即便经过多种AI视频制作工具的多次打磨、筛选，还是需要借助PS等编辑软件再进行微调，才能得到更满意的结果，以生成“完全可以和传统商片掰掰手腕的成品”。

“虽然缺少故事线，但未来，意识流的赛博视频或将成为一个门类。”罗翀说，自己仿佛遇见了共创者，“我负责想象、尝试，AI负责调整、展现，降本增效的同时，极大地拓宽创作的自由度。”

院线影视讲究起承转合，质量要求更高。但在浙江，利用AI制作的视频仿佛距离“院线水准”不算太远。一家老牌影视企业，便提供了可供分析的落地样本。

第27届上海国际电影节启幕前夕，浙江博采传媒有限公司一条3分钟创意短片《两代悟空对战》，在B站传播量近百万。网友纷纷赞叹所用技术之精妙——无论是六小龄童饰演的86版美猴王，还是网游《黑神话：悟空》的天命人，“大圣风采依旧”。

记者也去凑了个热闹。在湖州市德清县博采AI虚拟影视基地，导演的监视器中，两代悟空对战正酣，远处宫殿群光影流动。但现场，只有两位动捕老师，拿着特殊棍棒，在一块“空地”“打”得激烈，无论是角色样貌、服饰，还是建筑、云雾，都是LED显示屏“附上”的画面。工作人员用鼠标一点，切换只在分秒间，演员置身其中，画面真假难辨。

“单靠AI，肯定跑不出这样的片子。”博采传媒研发中心总监王伟东告诉记者，《两代悟空对战》融合了影视行业所用的4D扫描、Holo身体扫描、LED拍摄等技术，“我们称之为‘虚拟制片’。”据他介绍，团队专门开发了一套虚拟制片管理软件Kmoke，融合各类AI工具，“效率直接提高了3倍、成本起码节省了三分之一。”

博采传媒总裁办项目统筹牛聪说，在电影创作中，相比导演和制片，AI其实是做好了一份助理的工作——通过AI实时预演，让创意的好坏“尽在眼前”；传统影视的各个环节也从“线性等待”转为“动态协同”，无论是调整剧本还是场景，在AI的“协同”下都能更高效完成。

“今年，我们引入AI大模型，继续迭代一整套AI创作系统‘墨客’，实现连贯性的剧本创作，并产出精准可控的视频。”牛聪坦言，针对现在AI视频像素细节不够的问题，“通过改进的AI增分技术，分辨率能从720p跃升为5K，直接达到电影放映级画面质量。”

拉平起始点，重新竞争

在一份技术报告中，美国开放人工智能研究中心OpenAI对AI视频的定义是“世界模拟器”。这个远景表明，AI视频有潜力成为一种通用人工智能，理解世界、改变世界。

这种颠覆性在技术细节中确有显露。有从业者根据Sora产品表现出的不错的“3D一致性”，推测它或许能通过参数的再叠加，冲破智能阈值，触摸到对世界完整理解和创造的边界。

“大力出奇迹”真能无往不利？学界对此的质疑声也不少。

北京通用人工智能研究院院长朱松纯曾明确：过去，“大数据+大算力+大模型”的思维定式，过度简化了通用人工智能的复杂性。美国互联网公司Meta人工智能研究负责人杨乐昆更是直言：“生成式模型是建立世界模型的死胡同，通过生成像素来模拟世界的动作，既浪费又注定失败。”

实践也证明，AI视频实现如此“暴力美学”的代价极高：运行一个动辄超百亿参数规模的视频生成模型，尖端显卡要“跑”数十秒甚至数分钟，才能制作一个一分钟、分辨率高达1080p的视频，算力成本高昂得惊人。

不可忽视的还有生成式AI的固有症结——“幻觉”。“0.8＜0.09”的数学对答、四条腿的蚂蚁图、在跑步机上倒着跑的人——这些都是AI制作可能导致的可笑错误。它没有自主意识，对现实世界“知之甚少”，擅长计算却拙于纠错。北京大学新闻与传播学院教授胡泳坦言，这类低级错误或许会在技术的迭代中减少，但永远无法彻底修复，失败风险始终存在。

技术障碍外，高质量训练数据又从何而来？一如ChatGPT问世引发的深度造假、版权侵权、隐藏偏见等法律伦理争议，AI视频同样绕不开这些熟悉而严重的“老问题”。

但不可否认，AI视频正加速被市场接纳，其价值与影响力持续攀升。《2025中国广告主营销趋势调查报告》显示：今年4月，超50%的广告主已将生成式AI纳入创意生产，AI营销内容占比超过10%。

同期，美国电影艺术与科学学院宣布，2026年第98届奥斯卡金像奖将正式允许AI参与创作的电影参评。这标志着AI正式进入主流评价体系。但评审标准中，“将综合考虑人类创作者在创意创作过程中所发挥的核心作用，来决定最终的获奖者”的微妙表述，也暗示着人类艺术本质的不可替代性。

AI视频正处落地的“中场哨”阶段。热潮过后，玩家纷纷沉下心来，打磨产品的基础能力、拓宽模型的适应边界、重构与用户的长期关系。

可以确定的是，AI正成为创作的基底。正如快手联合创始人程一笑将“可灵”定位为“更多行业创作的新基础设施”，AI将拉平所有人的起始点。

“我们不要放大，也不要低估AI的影响。”5年前，沈华清将AI带入课堂，鼓励学生借助工具，在学习与创作中尝试拓展、延伸、融合。他认为，在这个技术愈发平权的时代，竞争已转向快速捕捉创意并落地的能力，考验的是使用者的积累——“拥有审美、分析、判断能力，成为跨领域、跨学科的融合通才，是AI时代的新要求”。

当内容产业开始进入AI模型化阶段，大家拼的不仅是流量，也是数据、算法和核心创意。我们面临的挑战不仅是某种技术的变革，也是思维和意识的转型。

■ 潮声 | 执笔 谢丹颖

人工智能（AI）推动视频生成技术又迈出新的一步。

不久前一条发布在社交媒体平台的AI视频中，角色集体开口戏谑：“我们不过是0和1的排列组合？醒醒吧，伙计。”

让它们“开口说话”的是美国谷歌公司在今年5月发布的视频生成模型Veo 3。其最大的特点是在视频中融合音频，直接生成话语流畅、口型自然的人物，且自带符合场景特征的音效。而此前，AI视频一直是默片，需要后期配音，再借助工具让角色嘴唇动作看起来合理。

2022年以来，以ChatGPT聊天机器人程序为代表的生成式人工智能引发社会关注。行业像被按下了快进键，几乎每个月都有相关热点出现。相比之下，视频生成技术在最初一段时间里不温不火。不过，历经近3年的发展，AI视频已逐渐从最初类似PPT、动图的形态，进化至能够直接产出合理视频。基座模型能力的迭代，带来了画面真实感、视频情绪度和流畅度的提升，影响面不断扩展，渗透性持续增强。

如今，学界、业界已在眺望AI视频迎来“技术奇点”的时刻。我们该如何理解视频生成模型的核心突破意义？它又会给人们生产生活带来什么影响？

忽如一夜春风来

2023年初，AI生成视频与生成图像，几乎在同一时期进入公众视野——英国人工智能公司Stability AI的“稳定扩散模型”（Stable Diffusion）带火了“文生图”，美国人工智能公司Runway的视频生成模型“Gen-1”则是激起了“人人都能制作电影大片”的无限遐想。

彼时，“稳定扩散模型”用时数月，让AI生成的图像几近照片级真实。Runway创始人不由兴奋：“我们已经看到了图像生成模型的爆发，相信2023年将会是视频之年。”

然而，图像生成模型的成功并没能引发AI生成视频技术的迅速成熟。

起初，AI视频主要分为两条技术路径：或是与“文生图”的技术一脉相承，着重“还原呈现”，打上“扩散模型”（Diffusion Model）的烙印；或是沿用ChatGPT的技术脉络，采用“自回归模型”（Autoregressive Model）方法，讲究“逻辑推理”，靠大参数、大数据，从零开始构建模型体系。

“走纯粹的‘自回归’路径，至今尚未出现很好的产品。”浙江大学艺术与考古学院副教授沈华清说。同时，他认为使用更普遍的“扩散模型”缺陷也明显。

沈华清自称“无门无派、兴趣广泛的教书先生”，从“好奇尝鲜”变成“深度沉迷”。沈华清类比帧动画原理，向记者解释“扩散模型”的技术难点：“按最低的24fps（帧/秒）算，5秒的视频需要120张图。每张图间都要保持相互的人物一致、动作连贯，连光影的斑驳细节都不能穿帮——这相当于让120位画家同时画同一幅画，每一幅每一笔都要严丝合缝。”

的确，静态图像生成只需解决“是什么”的问题。视频却要在此基础上，在回答“如何变化”命题的同时，保证主体的统一以及符合常识的运动。2023年底，与美国人工智能初创公司Midjourney同名的“文生图”工具已经能生成以假乱真的图像。同期，美国AI初创公司Pika Labs发布的AI视频产品Pika 1.0还局限在风格特定的3秒片段上。

沈华清回忆起那段使用经历，即便先用“文生图模型”生成了不错的分镜图，再通过“图生视频模型”拼接成片，但在最终呈现的几秒视频里，人物总是畸形、画面常有畸变，“这哪是人在动，分明是算法在抽搐，看得人脊背发凉”。

生成视频技术始终“小步快走”，没有根本性的突破。就在大家快失去耐心时，时间来到2024年2月：美国开放人工智能研究中心OpenAI继ChatGPT后，发布“文生视频模型”Sora。

这一全新模型用ChatGPT背后的神经网络架构Transformer替换传统“扩散模型”中的卷积U-Net网络，迭代出一条新路径DiT（Diffusion Transformer）。如此，Sora可以精准根据文本指令，生成最长为1分钟的高清视频，画面逼真、丝滑连贯。

业内有人称：“AI视频的‘GPT时刻’，来了。”

忽如一夜春风来。眼下，腾讯“混元”、华为“诺亚”……各家厂商在大模型领域谋局落子，可谓“神仙打架”。其中，又以拥有海量视频数据的字节跳动、快手增势最为迅猛，其分别在2024年3月、6月推出“即梦”和“可灵”，迅速跻身AI视频产品的第一梯队。

一位技术人员笑称，这条新路径似乎达成了一个“成年”模型的“既要又要”——用大语言模型里学到的世界知识来帮助生成视觉世界。“视频就这样成了从大模型根上生长出来的一项功能，上升轨迹飞快。”

但即便是Sora问世一年后的今天，一键“文生视频”仍难有良品。“毕竟，语言是高度压缩的信息。”沈华清说，一千个读者眼中尚且有一千个哈姆雷特，将抽象文字直接转为具体的时空连续体，这对算力和工程化的要求实在太高，“不是谁都能做的，也不是在短时间内就能做好的。”

是助手，更是共创者

令人振奋的AI技术革新终归要落地产业，才能产生实际价值。

一位技术人员告诉记者，不同于此前大模型简单直接的“文本输入—文本输出”交互逻辑，视频生成技术因视觉模态的复杂性，用起来要棘手得多。而“能用”与“好用”之间，又横亘着训练数据、算力、成本控制等多重障碍。

眼下，单个的AI视频生成工具还处在“宣传视频都很好，但实际一点都不好用”的阶段。

“套用多种工具很有必要。”中国传媒大学导演系科班出身的罗翀，拍过豆瓣8.3分传记式宣传片、拿过中国纪录片学院奖。今年年初，他从杭州某大厂离开，转型自由AI导演。在制作多个商片的过程中，他迅速摸到了生成视频的一条路子。

罗翀介绍，不同视频生成模型的优缺点各异。比如，快手的“可灵”强在对多镜头、物理规律的理解；美国人工智能公司Runway的模型性价比更高，生成速度更快。

但他也告诉记者，基于AI生成产品的不稳定性，即便经过多种AI视频制作工具的多次打磨、筛选，还是需要借助PS等编辑软件再进行微调，才能得到更满意的结果，以生成“完全可以和传统商片掰掰手腕的成品”。

“虽然缺少故事线，但未来，意识流的赛博视频或将成为一个门类。”罗翀说，自己仿佛遇见了共创者，“我负责想象、尝试，AI负责调整、展现，降本增效的同时，极大地拓宽创作的自由度。”

院线影视讲究起承转合，质量要求更高。但在浙江，利用AI制作的视频仿佛距离“院线水准”不算太远。一家老牌影视企业，便提供了可供分析的落地样本。

第27届上海国际电影节启幕前夕，浙江博采传媒有限公司一条3分钟创意短片《两代悟空对战》，在B站传播量近百万。网友纷纷赞叹所用技术之精妙——无论是六小龄童饰演的86版美猴王，还是网游《黑神话：悟空》的天命人，“大圣风采依旧”。

记者也去凑了个热闹。在湖州市德清县博采AI虚拟影视基地，导演的监视器中，两代悟空对战正酣，远处宫殿群光影流动。但现场，只有两位动捕老师，拿着特殊棍棒，在一块“空地”“打”得激烈，无论是角色样貌、服饰，还是建筑、云雾，都是LED显示屏“附上”的画面。工作人员用鼠标一点，切换只在分秒间，演员置身其中，画面真假难辨。

“单靠AI，肯定跑不出这样的片子。”博采传媒研发中心总监王伟东告诉记者，《两代悟空对战》融合了影视行业所用的4D扫描、Holo身体扫描、LED拍摄等技术，“我们称之为‘虚拟制片’。”据他介绍，团队专门开发了一套虚拟制片管理软件Kmoke，融合各类AI工具，“效率直接提高了3倍、成本起码节省了三分之一。”

博采传媒总裁办项目统筹牛聪说，在电影创作中，相比导演和制片，AI其实是做好了一份助理的工作——通过AI实时预演，让创意的好坏“尽在眼前”；传统影视的各个环节也从“线性等待”转为“动态协同”，无论是调整剧本还是场景，在AI的“协同”下都能更高效完成。

“今年，我们引入AI大模型，继续迭代一整套AI创作系统‘墨客’，实现连贯性的剧本创作，并产出精准可控的视频。”牛聪坦言，针对现在AI视频像素细节不够的问题，“通过改进的AI增分技术，分辨率能从720p跃升为5K，直接达到电影放映级画面质量。”

拉平起始点，重新竞争

在一份技术报告中，美国开放人工智能研究中心OpenAI对AI视频的定义是“世界模拟器”。这个远景表明，AI视频有潜力成为一种通用人工智能，理解世界、改变世界。

这种颠覆性在技术细节中确有显露。有从业者根据Sora产品表现出的不错的“3D一致性”，推测它或许能通过参数的再叠加，冲破智能阈值，触摸到对世界完整理解和创造的边界。

“大力出奇迹”真能无往不利？学界对此的质疑声也不少。

北京通用人工智能研究院院长朱松纯曾明确：过去，“大数据+大算力+大模型”的思维定式，过度简化了通用人工智能的复杂性。美国互联网公司Meta人工智能研究负责人杨乐昆更是直言：“生成式模型是建立世界模型的死胡同，通过生成像素来模拟世界的动作，既浪费又注定失败。”

实践也证明，AI视频实现如此“暴力美学”的代价极高：运行一个动辄超百亿参数规模的视频生成模型，尖端显卡要“跑”数十秒甚至数分钟，才能制作一个一分钟、分辨率高达1080p的视频，算力成本高昂得惊人。

不可忽视的还有生成式AI的固有症结——“幻觉”。“0.8＜0.09”的数学对答、四条腿的蚂蚁图、在跑步机上倒着跑的人——这些都是AI制作可能导致的可笑错误。它没有自主意识，对现实世界“知之甚少”，擅长计算却拙于纠错。北京大学新闻与传播学院教授胡泳坦言，这类低级错误或许会在技术的迭代中减少，但永远无法彻底修复，失败风险始终存在。

技术障碍外，高质量训练数据又从何而来？一如ChatGPT问世引发的深度造假、版权侵权、隐藏偏见等法律伦理争议，AI视频同样绕不开这些熟悉而严重的“老问题”。

但不可否认，AI视频正加速被市场接纳，其价值与影响力持续攀升。《2025中国广告主营销趋势调查报告》显示：今年4月，超50%的广告主已将生成式AI纳入创意生产，AI营销内容占比超过10%。

同期，美国电影艺术与科学学院宣布，2026年第98届奥斯卡金像奖将正式允许AI参与创作的电影参评。这标志着AI正式进入主流评价体系。但评审标准中，“将综合考虑人类创作者在创意创作过程中所发挥的核心作用，来决定最终的获奖者”的微妙表述，也暗示着人类艺术本质的不可替代性。

AI视频正处落地的“中场哨”阶段。热潮过后，玩家纷纷沉下心来，打磨产品的基础能力、拓宽模型的适应边界、重构与用户的长期关系。

可以确定的是，AI正成为创作的基底。正如快手联合创始人程一笑将“可灵”定位为“更多行业创作的新基础设施”，AI将拉平所有人的起始点。

“我们不要放大，也不要低估AI的影响。”5年前，沈华清将AI带入课堂，鼓励学生借助工具，在学习与创作中尝试拓展、延伸、融合。他认为，在这个技术愈发平权的时代，竞争已转向快速捕捉创意并落地的能力，考验的是使用者的积累——“拥有审美、分析、判断能力，成为跨领域、跨学科的融合通才，是AI时代的新要求”。