文 / 林骁
来源 / 数智前沿
视频生成大模型的狂飙仍在继续，但喧嚣之下，裂痕已现。
近日，快手旗下可灵AI宣布其核心产品可灵O1正式上线“主体库”与“对比模板”功能，意在提升AI视频创作效率与视觉呈现效果。此举被视为国内厂商在激烈竞争中强化工具链、贴近创作者需求的关键一步。
然而，在太平洋另一端，曾被寄予厚望的OpenAI Sora 2却正遭遇现实重击。据a16z合伙人披露的数据，Sora App首日用户留存率仅为10%，30天后更是跌至1%；而TikTok同期数据分别为50%与32%。巨大的落差，让年初那场关于“AI将重塑短视频生态”的狂欢迅速冷却。
回溯到2024年9月，Sora 2携独立App高调登场时，科技圈一度沸腾。有声音断言：“AI视频的iPhone时刻来了。”OpenAI甚至宣称，这可能是视频领域的GPT-3.5转折点。
但步入2026年末，理想与现实之间的鸿沟愈发清晰。资本开始退潮，产业界亦趋于理性：所谓“视频GPT时刻”，并未如约降临。高昂的推理成本、模糊的商业路径、以及技术本身的不稳定性，正构筑起一堵名为“叹息之墙”的行业壁垒。
无论是谷歌的Veo、OpenAI的Sora，还是国内的可灵、即梦，此刻都站在同一条十字路口上——技术炫目，却难变现。
01 模型竞速：从惊艳到内卷
2024年，因Sora以60秒长视频、多视角切换和逼真物理模拟震撼业界，被冠以“视频生成元年”。随后，Runway推出Gen-3 Alpha，Luma发布Dream Machine，谷歌在I/O大会亮出Veo；国内则迎来字节跳动的即梦、快手的可灵、生数科技的Vidu等密集入局。
这场中美科技巨头主导的军备竞赛，迅速演变为参数规模、生成时长与画质精度的比拼。但很快，技术路径趋同——主流模型几乎全部采用DiT（Diffusion Transformer）架构，使得竞争焦点转向数据质量、上下文理解与物理规律建模能力。
可灵依托快手海量短视频数据，在运动连贯性与逻辑一致性上表现突出；即梦则凭借抖音生态，在镜头语言与审美风格上更贴近C端用户。然而，即便如此，它们仍难逃一个共性困境：演示视频与实际体验严重脱节。
普通用户使用Sora 2时常遭遇人物肢体扭曲、物体凭空消失、水流逆向等“抽卡失败”场景。这种“百里挑一”的Demo策略，虽能制造话题，却无法支撑长期留存。当前模型虽已跨过“不可用”门槛，但距离ChatGPT式的稳定通用，仍有天壤之别。
更关键的是，行业过度聚焦于分辨率与时长，却忽视了创作者最核心的需求——可控性。
02 算力黑洞：每帧都是真金白银
如果说技术短板尚可随时间弥合，那么算力成本则是悬顶之剑。
视频生成是AI所有模态中算力消耗最恐怖的领域。增加“时间”维度后，数据量呈指数级增长，而为保证画面连贯与物理合理，模型需在极短时间内完成海量推理。
粗略估算，生成1秒高清视频所耗GPU资源，足以产出数万字文本或数十张图像。Sora采用视频切片策略以压缩计算量，但推理成本依然高得令人窒息。
对OpenAI、谷歌等巨头而言，尚可依靠云基础设施内部补贴；但对Runway、Luma及众多初创公司，每一帧输出都是燃烧现金。更严峻的是，视频模型尚未触及“缩放定律”的收益拐点——参数越大，边际效益越低，成本却指数攀升。
高质量训练数据稀缺且版权复杂，互联网上的海量视频多为低质压缩内容，清洗标注成本远超文本。加之用户需反复生成才能获得满意结果，大量“废片”成为沉没成本。
在硬件未出现革命性突破前，算力瓶颈将牢牢扼住视频AI普及的咽喉。
03 商业困局：叫好难叫座
归根结底，一切终将回归商业模式。
ChatGPT之所以成功，因其直击信息检索、编程、文案等明确生产力场景，交付确定。而视频AI目前定位模糊：C端用户视其为猎奇玩具，新鲜感一过便弃用；B端专业市场则苦于“不可控”——导演无法精确指定光影、表情或轨迹，AI输出仍是概率游戏。
好莱坞名导泰勒·佩里虽因Sora暂停影视基地建设，但更多是战略观望，而非实际替代。当前AI视频仅能充当动态分镜或灵感参考，难以嵌入正式制作流程。
变现路径同样狭窄。主流SaaS订阅制（按点数或时长收费）在高成本下难盈利，提价又会吓退用户。国内厂商如可灵、即梦，则试图将AI能力融入自有短视频生态，通过降低创作门槛激活内容供给，最终靠广告与电商变现。
但风险在于，若低质AI视频泛滥，反而可能稀释平台内容价值，引发用户倦怠。
如今，视频AI正从Gartner曲线的“期望膨胀期”滑向“泡沫破裂谷底”。尽管巨头仍在全力押注，但要真正迎来“GPT时刻”——即成为低门槛、高可用、全行业通用的基础设施——仍需算法突破、算力降本与杀手级场景三者共振。
在此之前，这场竞赛注定是一场烧钱马拉松，无人能轻易言胜。
*题图由AI生成
