當(dāng)內(nèi)容產(chǎn)業(yè)開始進入AI模型化階段，大家拼的不僅是流量，也是數(shù)據(jù)、算法和核心創(chuàng)意。我們面臨的挑戰(zhàn)不僅是某種技術(shù)的變革，也是思維和意識的轉(zhuǎn)型。

■ 潮聲 | 執(zhí)筆 謝丹穎

人工智能（AI）推動視頻生成技術(shù)又邁出新的一步。

不久前一條發(fā)布在社交媒體平臺的AI視頻中，角色集體開口戲謔：“我們不過是0和1的排列組合？醒醒吧，伙計?！?/p>

讓它們“開口說話”的是美國谷歌公司在今年5月發(fā)布的視頻生成模型Veo 3。其最大的特點是在視頻中融合音頻，直接生成話語流暢、口型自然的人物，且自帶符合場景特征的音效。而此前，AI視頻一直是默片，需要后期配音，再借助工具讓角色嘴唇動作看起來合理。

2022年以來，以ChatGPT聊天機器人程序為代表的生成式人工智能引發(fā)社會關(guān)注。行業(yè)像被按下了快進鍵，幾乎每個月都有相關(guān)熱點出現(xiàn)。相比之下，視頻生成技術(shù)在最初一段時間里不溫不火。不過，歷經(jīng)近3年的發(fā)展，AI視頻已逐漸從最初類似PPT、動圖的形態(tài)，進化至能夠直接產(chǎn)出合理視頻?；Ｐ湍芰Φ牡瑤砹水嬅嬲鎸嵏?、視頻情緒度和流暢度的提升，影響面不斷擴展，滲透性持續(xù)增強。

如今，學(xué)界、業(yè)界已在眺望AI視頻迎來“技術(shù)奇點”的時刻。我們該如何理解視頻生成模型的核心突破意義？它又會給人們生產(chǎn)生活帶來什么影響？

忽如一夜春風(fēng)來

2023年初，AI生成視頻與生成圖像，幾乎在同一時期進入公眾視野——英國人工智能公司Stability AI的“穩(wěn)定擴散模型”（Stable Diffusion）帶火了“文生圖”，美國人工智能公司Runway的視頻生成模型“Gen-1”則是激起了“人人都能制作電影大片”的無限遐想。

彼時，“穩(wěn)定擴散模型”用時數(shù)月，讓AI生成的圖像幾近照片級真實。Runway創(chuàng)始人不由興奮：“我們已經(jīng)看到了圖像生成模型的爆發(fā)，相信2023年將會是視頻之年?！?/p>

然而，圖像生成模型的成功并沒能引發(fā)AI生成視頻技術(shù)的迅速成熟。

起初，AI視頻主要分為兩條技術(shù)路徑：或是與“文生圖”的技術(shù)一脈相承，著重“還原呈現(xiàn)”，打上“擴散模型”（Diffusion Model）的烙??；或是沿用ChatGPT的技術(shù)脈絡(luò)，采用“自回歸模型”（Autoregressive Model）方法，講究“邏輯推理”，靠大參數(shù)、大數(shù)據(jù)，從零開始構(gòu)建模型體系。

“走純粹的‘自回歸’路徑，至今尚未出現(xiàn)很好的產(chǎn)品。”浙江大學(xué)藝術(shù)與考古學(xué)院副教授沈華清說。同時，他認(rèn)為使用更普遍的“擴散模型”缺陷也明顯。

沈華清自稱“無門無派、興趣廣泛的教書先生”，從“好奇嘗鮮”變成“深度沉迷”。沈華清類比幀動畫原理，向記者解釋“擴散模型”的技術(shù)難點：“按最低的24fps（幀/秒）算，5秒的視頻需要120張圖。每張圖間都要保持相互的人物一致、動作連貫，連光影的斑駁細(xì)節(jié)都不能穿幫——這相當(dāng)于讓120位畫家同時畫同一幅畫，每一幅每一筆都要嚴(yán)絲合縫?！?/p>

的確，靜態(tài)圖像生成只需解決“是什么”的問題。視頻卻要在此基礎(chǔ)上，在回答“如何變化”命題的同時，保證主體的統(tǒng)一以及符合常識的運動。2023年底，與美國人工智能初創(chuàng)公司Midjourney同名的“文生圖”工具已經(jīng)能生成以假亂真的圖像。同期，美國AI初創(chuàng)公司Pika Labs發(fā)布的AI視頻產(chǎn)品Pika 1.0還局限在風(fēng)格特定的3秒片段上。

沈華清回憶起那段使用經(jīng)歷，即便先用“文生圖模型”生成了不錯的分鏡圖，再通過“圖生視頻模型”拼接成片，但在最終呈現(xiàn)的幾秒視頻里，人物總是畸形、畫面常有畸變，“這哪是人在動，分明是算法在抽搐，看得人脊背發(fā)涼”。

生成視頻技術(shù)始終“小步快走”，沒有根本性的突破。就在大家快失去耐心時，時間來到2024年2月：美國開放人工智能研究中心OpenAI繼ChatGPT后，發(fā)布“文生視頻模型”Sora。

這一全新模型用ChatGPT背后的神經(jīng)網(wǎng)絡(luò)架構(gòu)Transformer替換傳統(tǒng)“擴散模型”中的卷積U-Net網(wǎng)絡(luò)，迭代出一條新路徑DiT（Diffusion Transformer）。如此，Sora可以精準(zhǔn)根據(jù)文本指令，生成最長為1分鐘的高清視頻，畫面逼真、絲滑連貫。

業(yè)內(nèi)有人稱：“AI視頻的‘GPT時刻’，來了?！?/p>

忽如一夜春風(fēng)來。眼下，騰訊“混元”、華為“諾亞”……各家廠商在大模型領(lǐng)域謀局落子，可謂“神仙打架”。其中，又以擁有海量視頻數(shù)據(jù)的字節(jié)跳動、快手增勢最為迅猛，其分別在2024年3月、6月推出“即夢”和“可靈”，迅速躋身AI視頻產(chǎn)品的第一梯隊。

一位技術(shù)人員笑稱，這條新路徑似乎達成了一個“成年”模型的“既要又要”——用大語言模型里學(xué)到的世界知識來幫助生成視覺世界?！耙曨l就這樣成了從大模型根上生長出來的一項功能，上升軌跡飛快?！?/p>

但即便是Sora問世一年后的今天，一鍵“文生視頻”仍難有良品?！爱吘?，語言是高度壓縮的信息。”沈華清說，一千個讀者眼中尚且有一千個哈姆雷特，將抽象文字直接轉(zhuǎn)為具體的時空連續(xù)體，這對算力和工程化的要求實在太高，“不是誰都能做的，也不是在短時間內(nèi)就能做好的?！?/p>

是助手，更是共創(chuàng)者

令人振奮的AI技術(shù)革新終歸要落地產(chǎn)業(yè)，才能產(chǎn)生實際價值。

一位技術(shù)人員告訴記者，不同于此前大模型簡單直接的“文本輸入—文本輸出”交互邏輯，視頻生成技術(shù)因視覺模態(tài)的復(fù)雜性，用起來要棘手得多。而“能用”與“好用”之間，又橫亙著訓(xùn)練數(shù)據(jù)、算力、成本控制等多重障礙。

眼下，單個的AI視頻生成工具還處在“宣傳視頻都很好，但實際一點都不好用”的階段。

“套用多種工具很有必要?！敝袊鴤髅酱髮W(xué)導(dǎo)演系科班出身的羅翀，拍過豆瓣8.3分傳記式宣傳片、拿過中國紀(jì)錄片學(xué)院獎。今年年初，他從杭州某大廠離開，轉(zhuǎn)型自由AI導(dǎo)演。在制作多個商片的過程中，他迅速摸到了生成視頻的一條路子。

羅翀介紹，不同視頻生成模型的優(yōu)缺點各異。比如，快手的“可靈”強在對多鏡頭、物理規(guī)律的理解；美國人工智能公司Runway的模型性價比更高，生成速度更快。

但他也告訴記者，基于AI生成產(chǎn)品的不穩(wěn)定性，即便經(jīng)過多種AI視頻制作工具的多次打磨、篩選，還是需要借助PS等編輯軟件再進行微調(diào)，才能得到更滿意的結(jié)果，以生成“完全可以和傳統(tǒng)商片掰掰手腕的成品”。

“雖然缺少故事線，但未來，意識流的賽博視頻或?qū)⒊蔀橐粋€門類?！绷_翀說，自己仿佛遇見了共創(chuàng)者，“我負(fù)責(zé)想象、嘗試，AI負(fù)責(zé)調(diào)整、展現(xiàn)，降本增效的同時，極大地拓寬創(chuàng)作的自由度?！?/p>

院線影視講究起承轉(zhuǎn)合，質(zhì)量要求更高。但在浙江，利用AI制作的視頻仿佛距離“院線水準(zhǔn)”不算太遠。一家老牌影視企業(yè)，便提供了可供分析的落地樣本。

第27屆上海國際電影節(jié)啟幕前夕，浙江博采傳媒有限公司一條3分鐘創(chuàng)意短片《兩代悟空對戰(zhàn)》，在B站傳播量近百萬。網(wǎng)友紛紛贊嘆所用技術(shù)之精妙——無論是六小齡童飾演的86版美猴王，還是網(wǎng)游《黑神話：悟空》的天命人，“大圣風(fēng)采依舊”。

記者也去湊了個熱鬧。在湖州市德清縣博采AI虛擬影視基地，導(dǎo)演的監(jiān)視器中，兩代悟空對戰(zhàn)正酣，遠處宮殿群光影流動。但現(xiàn)場，只有兩位動捕老師，拿著特殊棍棒，在一塊“空地”“打”得激烈，無論是角色樣貌、服飾，還是建筑、云霧，都是LED顯示屏“附上”的畫面。工作人員用鼠標(biāo)一點，切換只在分秒間，演員置身其中，畫面真假難辨。

“單靠AI，肯定跑不出這樣的片子?！辈┎蓚髅窖邪l(fā)中心總監(jiān)王偉東告訴記者，《兩代悟空對戰(zhàn)》融合了影視行業(yè)所用的4D掃描、Holo身體掃描、LED拍攝等技術(shù)，“我們稱之為‘虛擬制片’?！睋?jù)他介紹，團隊專門開發(fā)了一套虛擬制片管理軟件Kmoke，融合各類AI工具，“效率直接提高了3倍、成本起碼節(jié)省了三分之一?！?/p>

博采傳媒總裁辦項目統(tǒng)籌牛聰說，在電影創(chuàng)作中，相比導(dǎo)演和制片，AI其實是做好了一份助理的工作——通過AI實時預(yù)演，讓創(chuàng)意的好壞“盡在眼前”；傳統(tǒng)影視的各個環(huán)節(jié)也從“線性等待”轉(zhuǎn)為“動態(tài)協(xié)同”，無論是調(diào)整劇本還是場景，在AI的“協(xié)同”下都能更高效完成。

“今年，我們引入AI大模型，繼續(xù)迭代一整套AI創(chuàng)作系統(tǒng)‘墨客’，實現(xiàn)連貫性的劇本創(chuàng)作，并產(chǎn)出精準(zhǔn)可控的視頻。”牛聰坦言，針對現(xiàn)在AI視頻像素細(xì)節(jié)不夠的問題，“通過改進的AI增分技術(shù)，分辨率能從720p躍升為5K，直接達到電影放映級畫面質(zhì)量。”

拉平起始點，重新競爭

在一份技術(shù)報告中，美國開放人工智能研究中心OpenAI對AI視頻的定義是“世界模擬器”。這個遠景表明，AI視頻有潛力成為一種通用人工智能，理解世界、改變世界。

這種顛覆性在技術(shù)細(xì)節(jié)中確有顯露。有從業(yè)者根據(jù)Sora產(chǎn)品表現(xiàn)出的不錯的“3D一致性”，推測它或許能通過參數(shù)的再疊加，沖破智能閾值，觸摸到對世界完整理解和創(chuàng)造的邊界。

“大力出奇跡”真能無往不利？學(xué)界對此的質(zhì)疑聲也不少。

北京通用人工智能研究院院長朱松純曾明確：過去，“大數(shù)據(jù)+大算力+大模型”的思維定式，過度簡化了通用人工智能的復(fù)雜性。美國互聯(lián)網(wǎng)公司Meta人工智能研究負(fù)責(zé)人楊樂昆更是直言：“生成式模型是建立世界模型的死胡同，通過生成像素來模擬世界的動作，既浪費又注定失敗。”

實踐也證明，AI視頻實現(xiàn)如此“暴力美學(xué)”的代價極高：運行一個動輒超百億參數(shù)規(guī)模的視頻生成模型，尖端顯卡要“跑”數(shù)十秒甚至數(shù)分鐘，才能制作一個一分鐘、分辨率高達1080p的視頻，算力成本高昂得驚人。

不可忽視的還有生成式AI的固有癥結(jié)——“幻覺”?！?.8＜0.09”的數(shù)學(xué)對答、四條腿的螞蟻圖、在跑步機上倒著跑的人——這些都是AI制作可能導(dǎo)致的可笑錯誤。它沒有自主意識，對現(xiàn)實世界“知之甚少”，擅長計算卻拙于糾錯。北京大學(xué)新聞與傳播學(xué)院教授胡泳坦言，這類低級錯誤或許會在技術(shù)的迭代中減少，但永遠無法徹底修復(fù)，失敗風(fēng)險始終存在。

技術(shù)障礙外，高質(zhì)量訓(xùn)練數(shù)據(jù)又從何而來？一如ChatGPT問世引發(fā)的深度造假、版權(quán)侵權(quán)、隱藏偏見等法律倫理爭議，AI視頻同樣繞不開這些熟悉而嚴(yán)重的“老問題”。

但不可否認(rèn)，AI視頻正加速被市場接納，其價值與影響力持續(xù)攀升?！?025中國廣告主營銷趨勢調(diào)查報告》顯示：今年4月，超50%的廣告主已將生成式AI納入創(chuàng)意生產(chǎn)，AI營銷內(nèi)容占比超過10%。

同期，美國電影藝術(shù)與科學(xué)學(xué)院宣布，2026年第98屆奧斯卡金像獎將正式允許AI參與創(chuàng)作的電影參評。這標(biāo)志著AI正式進入主流評價體系。但評審標(biāo)準(zhǔn)中，“將綜合考慮人類創(chuàng)作者在創(chuàng)意創(chuàng)作過程中所發(fā)揮的核心作用，來決定最終的獲獎?wù)摺钡奈⒚畋硎?，也暗示著人類藝術(shù)本質(zhì)的不可替代性。

AI視頻正處落地的“中場哨”階段。熱潮過后，玩家紛紛沉下心來，打磨產(chǎn)品的基礎(chǔ)能力、拓寬模型的適應(yīng)邊界、重構(gòu)與用戶的長期關(guān)系。

可以確定的是，AI正成為創(chuàng)作的基底。正如快手聯(lián)合創(chuàng)始人程一笑將“可靈”定位為“更多行業(yè)創(chuàng)作的新基礎(chǔ)設(shè)施”，AI將拉平所有人的起始點。

“我們不要放大，也不要低估AI的影響。”5年前，沈華清將AI帶入課堂，鼓勵學(xué)生借助工具，在學(xué)習(xí)與創(chuàng)作中嘗試拓展、延伸、融合。他認(rèn)為，在這個技術(shù)愈發(fā)平權(quán)的時代，競爭已轉(zhuǎn)向快速捕捉創(chuàng)意并落地的能力，考驗的是使用者的積累——“擁有審美、分析、判斷能力，成為跨領(lǐng)域、跨學(xué)科的融合通才，是AI時代的新要求”。