文 / 道哥

來源 / 智百道

視頻大模型的競速還在持續(xù)。

作為國內(nèi)視頻生成大模型的代表，快手旗下的可靈AI近日宣布，其核心產(chǎn)品可靈O1正式上線“主體庫”與“對比模板”兩大重要功能，旨在提升AI創(chuàng)作的效率與作品展示效果。

但與此同時，在大洋彼岸，OpenAI旗下的Sora2，卻開始陷入新的困境。根據(jù)a16z合伙人前段時間貼出的一組對比，Sora留存率遠不如TikTok，首日留存率只有10%，30天留存率只有1%。對比來看，TikTok對應的留存率分別是50%和32%，差距明顯。

在9月底OpenAI正式發(fā)布Sora 2及獨立App時，不少預言家當時甚至集體狂歡，“Sora App將吞噬TikTok和Instagram上的網(wǎng)紅，一場由AI主導的視頻革命即將到來”。

OpenAI自己也說，我們可能迎來視頻領(lǐng)域的GPT-3.5時刻。

然而，到了2026年年末，現(xiàn)實還是比概念更骨感。

在這一輪AI泡沫論底層，實際上是資本市場與產(chǎn)業(yè)界開始冷靜審視這條賽道：所謂的“視頻GPT時刻”似乎并未如期而至。相反，高昂的推理成本、難以閉環(huán)的商業(yè)模式以及尚不穩(wěn)定的技術(shù)表現(xiàn)，正在構(gòu)成一道道難以逾越的“嘆息之墻”。

無論是谷歌被寄予厚望的Veo，還是曾驚艷全球的Sora，亦或是國內(nèi)卷出天際的可靈、即夢，此刻都站在了一個尷尬的十字路口：技術(shù)看起來固然很炫酷，但到底誰能真正靠它賺到大錢？

01 模型競速

時間需要回到2024年。

彼時隨著Sora憑借60秒長視頻、多角度鏡頭切換以及驚人的物理世界模擬能力震驚世界后，當年被科技圈定義為“視頻生成元年”。

隨后Runway推出了Gen-3 Alpha，Luma AI發(fā)布了Dream Machine，谷歌則在I/O大會上祭出了Veo；而在國內(nèi)，字節(jié)跳動的即夢（Jimeng）、快手的可靈（Kling）、生數(shù)科技的Vidu等模型如雨后春筍般涌現(xiàn)

這一年的主旋律，無疑是中美兩大科技陣營在視頻模型上的瘋狂競速。這種競速不僅體現(xiàn)在發(fā)布頻率上，更體現(xiàn)在參數(shù)規(guī)模與生成質(zhì)量的軍備競賽中。

但很快，這種競速呈現(xiàn)出一種明顯的“同質(zhì)化內(nèi)卷”趨勢。現(xiàn)在的視頻模型，大多采用了DiT（Diffusion Transformer）架構(gòu)，這一架構(gòu)有效地結(jié)合了Transformer處理序列數(shù)據(jù)的能力與Diffusion生成高質(zhì)量圖像的能力。

因為技術(shù)路徑的趨同，各家比拼的焦點迅速轉(zhuǎn)移到了數(shù)據(jù)質(zhì)量、上下文長度以及對物理規(guī)律的理解上。

以國內(nèi)戰(zhàn)場為例，可靈AI的突圍極具代表性。依托快手龐大的短視頻生態(tài)，可靈在視頻數(shù)據(jù)的理解上擁有天然優(yōu)勢，其生成的視頻在運動幅度與邏輯連貫性上，一度被評測為“最接近Sora”的產(chǎn)品之一。而字節(jié)跳動的即夢則背靠抖音，在審美風格與運鏡語言上更懂C端用戶的偏好。

但問題是，作為視頻模型代表的Sora,都正在陷入爭議之中。前文提及的留存率，其實只是結(jié)果，真正的原因是，號稱打造AI短視頻的Sora2，其用戶體驗卻非常差。

目前的模型競速，更像是一場“演示片”的戰(zhàn)爭。哪怕是Sora2也同樣如此。

官方放出的Demo往往是百里挑一的結(jié)果，而當普通用戶上手時，人物肢體扭曲、物體憑空消失、物理邏輯崩壞（如倒出的水往天上流）等“抽卡失敗”的現(xiàn)象比比皆是。這種“Demo與實物不符”的現(xiàn)狀，直接導致了用戶體驗的斷層。

目前的模型能力，雖然已經(jīng)從“不可用”跨越到了“偶爾驚艷”，但距離ChatGPT那樣“穩(wěn)定且通用”的GPT-3.5時刻，仍有巨大的鴻溝。

大家都在卷時長、卷分辨率，卻很少有人能徹底解決“可控性”這一導演與創(chuàng)作者最在意的核心命題。

02 算力黑洞

如果說模型能力的不足是可以通過時間解決的“軟傷”，那么算力成本則是懸在所有視頻AI公司頭頂?shù)摹斑_摩克利斯之劍”。

視頻生成是目前所有AI模態(tài)中，對算力消耗最為恐怖的領(lǐng)域，沒有之一。

這不僅是因為視頻增加了“時間”這一維度，導致數(shù)據(jù)量呈幾何級數(shù)增長，更因為為了保證視頻的連貫性與物理邏輯，模型需要在極短時間內(nèi)進行海量的推理計算。

我們可以算一筆賬。

在文本模態(tài)下，ChatGPT生成一段文字的成本雖然不低，但已經(jīng)可以通過訂閱費覆蓋并實現(xiàn)盈利。然而，視頻生成的算力需求是文本的成百上千倍。生成一秒鐘的高清視頻，其所需的GPU算力，足以生成數(shù)萬字的文本或數(shù)十張高質(zhì)量圖片。

Sora之所以采用“切片”的方式處理視頻數(shù)據(jù)，正是為了在Transformer架構(gòu)下盡可能地壓縮計算量，但即便如此，其推理成本依然高得令人咋舌。

這就是“算力黑洞”。

對于谷歌、OpenAI這樣的巨頭來說，或許還能通過燒錢來維持戰(zhàn)略卡位，利用自身的云服務設(shè)施進行內(nèi)部補貼。但對于Runway、Luma以及國內(nèi)眾多創(chuàng)業(yè)公司而言，每一幀視頻的生成都是在燃燒真金白銀。

更可怕的是，視頻模型似乎還沒有摸到“Scaling Law”（縮放定律）的邊界，或者說，繼續(xù)Scaling的邊際收益正在遞減，而邊際成本卻在指數(shù)級上升。

為了追求更好的物理模擬效果，模型參數(shù)量需要進一步擴大，訓練所需的高質(zhì)量視頻數(shù)據(jù)（如電影級素材、高幀率實拍）卻比文本數(shù)據(jù)更加稀缺且版權(quán)復雜。

互聯(lián)網(wǎng)上雖然有海量視頻，但大部分是低質(zhì)量、高壓縮、缺乏標注的“垃圾數(shù)據(jù)”，清洗和標注這些數(shù)據(jù)的成本遠高于文本。

用戶的使用習慣也加劇了這一困境。在ChatGPT中，用戶輸入Query，得到答案，流程是線性的。而在視頻生成中，由于結(jié)果的不可控，用戶往往需要反復生成、反復修改，就像玩“老虎機”一樣，直到搖出滿意的畫面。

這意味著，一個最終可用的視頻片段背后，可能伴隨著十幾次甚至幾十次的廢片生成。這些廢片消耗的算力，全部是沉沒成本。

目前，無論是國內(nèi)的可靈、即夢，還是國外的Sora、Veo，都在面臨同一個拷問：這把火到底能燒多久？

如果無法在算力成本與生成效果之間找到一個具備正向經(jīng)濟效益的平衡點，那么視頻生成極有可能成為一個“叫好不叫座”的富人游戲。

在硬件架構(gòu)出現(xiàn)革命性突破之前，算力瓶頸將死死卡住視頻AI大規(guī)模普及的咽喉。

03 商業(yè)困境

其實說到底，技術(shù)競速與算力成本最終都要回歸到一個終極問題：商業(yè)模式。

為什么ChatGPT能迅速成為殺手級應用？因為它直接解決了信息檢索、代碼編寫、文案撰寫等具有明確“生產(chǎn)力屬性”的剛需，且交付結(jié)果相對確定。

反觀視頻生成，目前的定位極其模糊。

在C端市場，視頻AI陷入了“玩具化”的陷阱。絕大多數(shù)用戶下載Sora或可靈，更多是出于獵奇心理。他們生成幾個搞怪視頻發(fā)朋友圈，獲得社交貨幣后，新鮮感便迅速消退。這解釋了為什么首日留存率尚可，但30天留存率會暴跌至1%。

對于普通人而言，制作視頻并非高頻剛需，且目前AI視頻生成的精細度遠未達到替代拍攝的程度，更無法提供TikTok那種基于算法推薦的娛樂消費體驗。

指望AI生成工具去取代TikTok，在現(xiàn)階段無異于癡人說夢——一個是生產(chǎn)工具，一個是內(nèi)容消費平臺，兩者的底層邏輯截然不同。

在B端專業(yè)市場，視頻AI其實同樣面臨著“不可控”的致命傷。對于影視制作、廣告營銷等專業(yè)領(lǐng)域，核心訴求是“精確控制”——導演需要指定角色的微表情、光影的具體走向、物體運動的精確軌跡。

目前的視頻大模型，雖然能生成“看起來很美”的畫面，但本質(zhì)上還是基于概率的“抽卡”。好萊塢大亨泰勒·佩里雖然因為看了Sora的演示而暫停了影視基地的擴建，但這更多是一種對未來的防御性恐慌，而非當下的實際替代。

真正的影視工作流中，由于AI生成內(nèi)容難以保持角色一致性和場景連續(xù)性，導致其目前只能充當“動態(tài)分鏡腳本”或“靈感參考”，很難直接輸出成品素材。

最后也是最為關(guān)鍵的，還是變現(xiàn)路徑的狹窄。

目前主流的商業(yè)模式依然是Sora、Runway采用的SaaS訂閱制，即賣點數(shù)、賣時長。但在高昂的推理成本面前，這種訂閱費往往只能勉強覆蓋成本，甚至虧本賺吆喝。如果為了覆蓋成本而提高定價，又會將大量中小用戶拒之門外，限制了規(guī)模效應的形成。

國內(nèi)市場的情況更為復雜。

可靈、即夢等背靠短視頻巨頭，它們的算盤或許不是直接賣會員賺錢，而是將AI能力融入到自家的短視頻生態(tài)中，降低創(chuàng)作者門檻，從而維持內(nèi)容生態(tài)的繁榮，最終通過廣告和電商變現(xiàn)。

這是一種“羊毛出在豬身上”的策略。但問題在于，如果AI生成的視頻內(nèi)容泛濫且質(zhì)量參差不齊，反而可能稀釋平臺的內(nèi)容質(zhì)量，導致用戶審美疲勞。

從這個角度來看，視頻AI目前正處于Gartner技術(shù)成熟度曲線的“期望膨脹期”頂峰滑落向“泡沫破裂谷底期”的階段。

雖然谷歌、OpenAI、快手、字節(jié)都在全力以赴，但視頻AI距離“GPT時刻”，也就是要成為一個低門檻、高可用、全行業(yè)通用的基礎(chǔ)設(shè)施，目前看，無論硅谷還是國內(nèi)大廠，都還有很長的路要走。

這不僅需要算法層面的突破來解決“可控性”難題，更需要算力成本的數(shù)量級下降，以及一個能真正能夠跑通ROI的殺手級應用場景。

在此之前，視頻AI注定依然是一場還得繼續(xù)海量燒錢的馬拉松。

*題圖由AI生成