每經(jīng)記者｜可楊    每經(jīng)編輯｜魏官紅    

從Runway、Pika到Sora，AI（人工智能）視頻工具不斷刷新想象空間，而在國內(nèi)，實(shí)踐者們開始探索更深層次的問題——AI如何真正融入內(nèi)容產(chǎn)業(yè)，形成可持續(xù)的生產(chǎn)模式。

百度副總裁、移動生態(tài)商業(yè)體系負(fù)責(zé)人陳一凡在接受包括《每日經(jīng)濟(jì)新聞》記者在內(nèi)的媒體記者采訪時將這一節(jié)點(diǎn)比作通信史上“3G到4G”的轉(zhuǎn)折期——從“能生成”邁向“可實(shí)時互動”。

陳一凡認(rèn)為，實(shí)時交互被低估了，“如果只是生成，可能只是做了一個類似AI版的抖音”。他表示，AI視頻競爭的下半場，正在從技術(shù)比拼轉(zhuǎn)向門檻之爭，誰能讓更多人更低成本地參與創(chuàng)作，誰就能在生態(tài)中積累更大的勢能。

百度視頻生成大模型迭代：押注實(shí)時交互

在AI視頻生成的快速演進(jìn)中，技術(shù)的焦點(diǎn)似乎正在悄然轉(zhuǎn)移，從“能生成”邁向“能交互”。

陳一凡將這一節(jié)點(diǎn)比作通信史上3G到4G變革的前夜，“沒有3G，就沒有移動互聯(lián)網(wǎng)的繁榮；沒有4G，就不會有短視頻的爆發(fā)”。在他看來，生成模型的能力已趨近成熟，下一階段的突破不在于更大的參數(shù)或更高的分辨率，而在于讓生成變得實(shí)時、可控、可互動。

百度商業(yè)研發(fā)首席架構(gòu)師李雙龍也認(rèn)為，人類創(chuàng)作的過程并不是一次性做成的，而是一個邊寫邊改、不斷思考與修正的過程。他指出，當(dāng)前許多視頻生成產(chǎn)品仍停留在“盲盒式”體驗(yàn)——用戶等待模型一次性生成10秒或20秒片段，再判斷結(jié)果是否可用，這種反射性生成方式并不符合真實(shí)的創(chuàng)作邏輯。

為了實(shí)現(xiàn)可打斷和可修改的實(shí)時交互，百度“蒸汽機(jī)”選擇將整個架構(gòu)從窗口式擴(kuò)展升級為自回歸流式擴(kuò)展架構(gòu)。“這未必是顛覆性的創(chuàng)新，但它是更符合人性的創(chuàng)作過程。”李雙龍說。

在談及如何實(shí)現(xiàn)交互式生成時，李雙龍?zhí)寡?，這一方向背后存在大量技術(shù)挑戰(zhàn)，傳統(tǒng)的窗口式擴(kuò)散生成方式無法支撐長視頻創(chuàng)作，因?yàn)樗?0秒為單位生成，出現(xiàn)問題時無法局部修改，只能重來。為此，團(tuán)隊(duì)對底層架構(gòu)進(jìn)行了升級，從“窗口擴(kuò)散”轉(zhuǎn)向“自回歸流式擴(kuò)展生成”。

但該機(jī)制也帶來了新的問題，例如累積誤差和一致性挑戰(zhàn)。對此，李雙龍介紹，團(tuán)隊(duì)通過采用歷史幀和穩(wěn)定錨點(diǎn)幀技術(shù)等優(yōu)化手段，來全局管理一致性，解決自回歸帶來的問題。

陳一凡認(rèn)為，實(shí)時交互的需求是被低估了，“如果只是生成，可能只是做了一個類似AI版的抖音”，這當(dāng)然也有很大的空間，但可互動性之所以重要，在于它提升了信息密度，將傳統(tǒng)的單向、寫好劇本的內(nèi)容消費(fèi)轉(zhuǎn)變?yōu)殡p向互動。

這能讓用戶擁有不同的情景體驗(yàn)，極大地提升娛樂性。從淺層應(yīng)用來看，實(shí)時交互能提升廣告線索質(zhì)量；從深層應(yīng)用來看，它能完成整個咨詢或服務(wù)過程的深度交互，例如在心理咨詢等場景中，數(shù)字人可以實(shí)時感知用戶表情并作出反饋，實(shí)現(xiàn)與傳統(tǒng)廣告截然不同的深度。

在百度內(nèi)部，“蒸汽機(jī)”承擔(dān)著模型、工具、產(chǎn)品三層結(jié)構(gòu)的中樞角色：底層是模型層，中層是工具層，上層是產(chǎn)品層。在這種布局之下，百度在視頻生成模型方面的打法，更偏向于構(gòu)建一個AI內(nèi)容生態(tài)的基礎(chǔ)設(shè)施。

視頻生成競爭轉(zhuǎn)向：從技術(shù)比拼到門檻之爭

放眼全球，AI視頻生成模型領(lǐng)域競爭的激烈程度和變化速度遠(yuǎn)超想象。

OpenAI的Sora 2模型一經(jīng)發(fā)布，憑借“電影級”的短視頻生成能力和對物理、人物塑造的巨大突破，其驅(qū)動的創(chuàng)作應(yīng)用“Sora”迅速登上美區(qū)應(yīng)用商店下載榜首，證明了其在To C（面向用戶）端強(qiáng)大的市場號召力。緊隨其后，谷歌的Veo 3.1迅速更新，不僅新增了音頻生成功能，支持為視頻添加背景音樂和音效，更在對象控制、視頻分辨率與時序連貫性上實(shí)現(xiàn)技術(shù)升級，提升了高質(zhì)量內(nèi)容創(chuàng)作的適用性。

這場全球范圍內(nèi)的技術(shù)競賽正以前所未有的速度向前推進(jìn)，但與此同時，底層架構(gòu)和技術(shù)路徑日益趨同。對于行業(yè)終局和應(yīng)對策略，陳一凡認(rèn)為，創(chuàng)新和用戶體驗(yàn)將成為核心突破口。

陳一凡指出，從技術(shù)發(fā)展歷程來看，視頻生成行業(yè)經(jīng)歷了“從想法到實(shí)現(xiàn)，再到反思優(yōu)化”的階段。初期技術(shù)迭代主要集中在算法性能上，但隨著DIT架構(gòu)等方案成熟，算力需求和生成時間呈幾何級增長，限制了大規(guī)模應(yīng)用。

“創(chuàng)新在這個階段尤為重要。以前大家會關(guān)注技術(shù)性能，現(xiàn)在更多關(guān)注如何降低使用門檻，讓玩法更豐富。”陳一凡表示，降低門檻意味著用戶能夠即時獲得互動體驗(yàn)，而非等待延遲結(jié)果，這也是目前很多大模型在應(yīng)用上仍然存在短板的環(huán)節(jié)。

在具體實(shí)踐中，百度通過升級流式架構(gòu)提升生成效率，實(shí)現(xiàn)了大規(guī)模的視頻生產(chǎn)與分發(fā)。陳一凡透露，平臺視頻生成量級已經(jīng)從百萬級提升到千萬級，“當(dāng)門檻降低、玩法豐富，自然會吸引更多用戶涌入，最終的目標(biāo)是讓用戶知道怎么玩、愿意玩”。

對于近期熱門產(chǎn)品如Sora 2的技術(shù)表現(xiàn)，陳一凡認(rèn)為，其底層模型在一致性和運(yùn)鏡豐富度上有所提升，但尚未達(dá)到基礎(chǔ)模型級別的突破。

在商業(yè)化的思考上，百度“蒸汽機(jī)”當(dāng)前階段的重點(diǎn)仍是內(nèi)部賦能，即通過技術(shù)能力支撐內(nèi)部產(chǎn)品，提升To C端的價值。陳一凡坦言，當(dāng)前最明顯的收益是C端整個的用戶留存和使用時長的提升，這直接帶來了百度原有商業(yè)化模式收入的增長。

據(jù)透露，目前，營銷相關(guān)和內(nèi)容創(chuàng)作是“蒸汽機(jī)”調(diào)用量最大的兩大落地場景。營銷相關(guān)調(diào)用量占到約一半。

對于未來是主攻To C還是To B，陳一凡表示，目前兩側(cè)都在投入。To B端，主要滿足內(nèi)部技術(shù)業(yè)務(wù)庫的需求，以及應(yīng)對外部客戶的定制化需求，如專有云應(yīng)用等，需要針對穩(wěn)定性等進(jìn)行微調(diào)；To C端，側(cè)重于結(jié)合百家號等生態(tài)，將創(chuàng)作者生態(tài)做大。

封面圖片來源：每日經(jīng)濟(jì)新聞 資料圖